Project Icon

WhisperFusion

WhisperFusion 低延迟高性能的实时AI语音交互系统

WhisperFusion是一个开源项目,结合WhisperLive和WhisperSpeech技术,集成Mistral大语言模型,实现实时语音转文本和智能对话。项目采用TensorRT引擎优化模型性能,使用torch.compile加速处理,在RTX 4090 GPU上实现低延迟对话。通过Docker Compose简化部署,方便开发者快速搭建AI语音交互系统。

whisper-small-fa - Whisper-small-fa模型在Common Voice数据集上的语音识别性能
GithubHuggingfaceTransformers开源项目数据集模型模型评估训练超参数语音识别
Whisper-small-fa是一个基于openai/whisper-small模型在common_voice_17_0数据集上微调的版本,旨在实现高效的自动语音识别。测试集结果显示,该模型的词错误率(WER)为35.4973,体现了其在语音识别中的良好表现。模型训练中应用了Adam优化器、线性学习率调度器及混合精度技术,从而提高了训练的效率和精确度。
StarWhisper - 语言、时序与多模态框架
GithubStarWhisper人工智能司天工程大模型天文学开源项目
StarWhisper项目由国家天文台人工智能工作组支持,涵盖语言模型、时序模型和多模态模型。通过改进训练方法,该项目提升了天文物理、代码与Agent能力,并发布了基于大模型的光变曲线数据处理方法。项目还实现了多模态多任务框架与望远镜控制系统的对接,探索了多模态在天文学领域的应用可能。
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。
stt - 高效离线本地语音识别工具,基于fast-whisper模型,支持多种输出格式
CUDA加速Githubfast-whisper开源项目文本输出本地部署热门语音识别
这款语音识别工具可在本地离线运行,基于开源的fast-whisper模型,可将视频和音频中的人声快速转换为文字。支持输出json、srt及纯文本格式,无需联网,确保隐私安全,与openai语音识别接口准确率相当。用户可便捷下载预编译版本,或自行部署源码,支持多种操作系统。此外,还提供API接口,适合开发者使用。支持CUDA加速,优化处理速度。
tensorflow-speech-recognition - 开源TensorFlow中的语音识别示例
DeepSpeechGithubTensorflowWhisper开源项目深度学习语音识别
使用谷歌的TensorFlow框架进行语音识别,最初目标是为Linux系统创建独立的语音识别模型。尽管该项目现主要用于教学,开发者展示了使用开源数据和强大模型实现高效语音识别的潜力。推荐查看更新项目如Whisper和Mozilla的DeepSpeech,这两个项目在错误率方面的表现出色。该项目包含示例代码、依赖安装指导及功能扩展,如GPU上的WarpCTC和P2P学习模块。
whisper-large-v3-french-distil-dec8 - 优化法语语音识别的内存使用和推理效率
GithubHuggingfaceWhisper-Large-V3-French-Distil-Dec8开源项目推理速度模型法语自动语音识别语音转录
Whisper-Large-V3-French-Distil通过减少解码层数和优化推理时间,实现法语语音识别的高效性。该模型支持多种库,如transformers和openai-whisper,并能与原版Whisper-Large-V3-French模型结合使用,增强推理速度和结果一致性。评估数据表明其在多语料库中将单词错误率(WER)降至较低水平。
Whisper-WebUI - 多功能字幕生成和翻译工具,支持多种Whisper实现
GithubGradioWhisper-WebUI字幕生成器开源项目翻译语音转文字
Whisper-WebUI是基于Gradio的浏览器界面,支持从文件、YouTube和麦克风生成字幕,并提供多语言翻译。用户可以选择不同的Whisper实现,如openai/whisper、faster-whisper和insanely-fast-whisper,支持SRT、WebVTT、txt等多种字幕格式。功能包括语音转文字翻译、音频预处理(Silero VAD)和说话人分离(pyannote)。提供详细的安装指南与自动安装脚本,并且兼容Docker运行,提升VRAM利用率和转录速度。
Shush - WhisperV3模型的全栈语音转文本应用演示
GithubModalNextJSShushWhisperV3开源项目音频转录
Shush是一个开源项目,展示了如何在Modal平台上部署WhisperV3语音识别模型,并通过NextJS应用程序实现交互。该项目集成了Next.js前端和Modal后端,演示了高性能模型运行、可靠API构建和自动扩展功能。开发者可以通过此项目学习如何快速部署AI模型后端,并构建响应式前端应用,实现高效的语音转文本功能。
Diffusion-SVC - 高效实时语音转换系统
AI模型ContentVecDiffusion-SVCGithub开源项目扩散模型语音转换
Diffusion-SVC是一个基于扩散模型的语音转换项目,专注于实现高质量的实时语音转换。该系统以低显存占用、快速训练和推理为特点,并针对浅扩散和实时应用进行了优化。Diffusion-SVC支持多种预训练模型和编码器,适用于不同规模的GPU,可灵活搭配使用。通过与其他声学模型级联,系统能进一步提升音频质量并降低性能消耗,为语音转换技术带来新的可能性。
faster-whisper-base - OpenAI Whisper模型在CTranslate2格式下的应用
CTranslate2GithubHuggingfaceWhisper开源项目模型模型转换自然语言处理语音识别
本项目将OpenAI Whisper base模型转换为CTranslate2格式,支持多语种语音识别。适用于CTranslate2及其衍生项目如faster-whisper,并提供Python代码示例展示音频转录过程。模型采用FP16格式,可灵活调整计算类型。项目详细说明了转换过程,为开发者提供了便捷的语音识别工具。
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

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