Logo
Project Icon

s2t-small-librispeech-asr

小型LibriSpeech语音识别模型的高效自动化

语音转换文本Speech2TextHuggingfaceLibriSpeechGithub开源项目模型s2t-small-librispeech-asr自动语音识别

s2t-small-librispeech-asr是一种小型端到端语音识别模型，使用LibriSpeech ASR语料库进行训练。该模型采用自回归的方式生成转录文本，并结合Pytorch及其工具如torchaudio和sentencepiece以提高准确性。在LibriSpeech“clean”和“other”测试集上的WER分别为4.3和9.0，可满足高性能语音识别应用的需求。

GithubGithubHuggingfaceHuggingface论文论文
介绍相关项目
wav2vec2-xls-r-300m-cs-250 - 高性能捷克语语音识别模型 实现精准音频转文本
GithubHuggingfaceWav2Vec2开源项目捷克语模型模型训练深度学习语音识别
这是一个基于wav2vec2-xls-r-300m的捷克语语音识别模型，经过Common Voice 8.0等多个数据集的微调。模型在测试集上达到7.3%的词错误率和2.1%的字符错误率，性能优异。它支持16kHz采样率的语音输入，无需额外语言模型即可直接使用。项目提供了简洁的使用示例，并详细记录了训练过程和评估指标。
reverb-asr - 基于大规模人工标注数据的开源语音识别模型
GithubHuggingfaceReverb ASR人工智能开源项目模型自动语音转录语音处理语音识别
这是一个基于20万小时人工标注语音数据训练的开源语音识别系统。采用CTC/attention联合架构，同时支持CPU和GPU部署。系统的特色在于通过verbatimicity参数实现对转录详细程度的精确控制，可输出从简洁到完整逐字的多种转录风格。支持attention、CTC等多种解码方式，适合不同应用场景。
bark-small - 高性能多语言文本转语音模型
BarkGithubHuggingface人工智能多语言开源项目文本转语音模型音频生成
bark-small是Suno开发的基于transformer的文本转音频模型。它可生成高度逼真的多语言语音、音乐、背景噪音和简单音效，还能产生笑声、叹息等非语言交流。该模型支持多种语言，主要用于研究目的。用户可通过Hugging Face Transformers库或原始Bark库运行推理，生成24kHz的语音波形。bark-small提供了便捷的使用方法，适合进行文本转语音相关研究和实验。
USLM - 语音信息分层建模与零样本文本转语音的统一框架
GithubLibriTTSSpeechTokenizerUSLM开源项目语音语言模型零样本TTS
USLM是基于SpeechTokenizer构建的统一语音语言模型，结合自回归和非自回归模型实现语音信息的分层建模。该开源项目提供完整的安装指南、预训练模型和零样本文本转语音推理流程。USLM在LibriTTS数据集上训练，展示了语音内容和副语言信息建模的能力，为语音处理研究提供新思路。
Tacotron-pytorch - 端到端文本至语音合成技术的高效实现
GithubLJSpeechTacotron-pytorchpytorch开源项目文本转语音训练
Tacotron-pytorch是基于Pytorch框架开发的端到端文本至语音合成模型。该项目支持通过清晰的指南轻松部署和训练，使用LJSpeech数据集，并附带完整的预处理代码和网络训练文件。用户可以根据需要自定义超参数，非常适合进行科研和技术开发。项目提供了将成熟度逐渐提升的语音示例，欢迎进行下载和反馈。
wav2vec2-large-robust-ft-libritts-voxpopuli - 精确转录语音的Wav2Vec2模型 支持标点符号输出
GithubHuggingfacewav2vec2开源项目数据集文本转语音标点符号模型语音识别
Wav2Vec2-large-robust-ft-libritts-voxpopuli是一款经过优化的语音转录模型，专门生成带标点符号的高质量文本。该模型基于LibriTTS和VoxPopuli数据集训练，在Librispeech验证集上达到4.45%的词错误率。它尤其适用于TTS模型转录，准确的标点有助于提升语音韵律。虽主要针对清晰音频优化，但对噪声音频如CommonVoice也有良好表现。
wav2vec2-btb-cv-ft-btb-cy - 基于微调的语音识别模型，提升准确度与适用性
GithubHuggingfacewav2vec2开源项目损失率模型模型优化自动语音识别训练参数
此AI模型基于DewiBrynJones的wav2vec2-xlsr-53-ft-btb-cv-cy微调而成，专注提升自动语音识别精确度。评估词错误率为0.3402，表现出明显改善。使用Adam优化器，学习率为0.0003，训练批次为4。适用于高精度需求的语音识别场景，但因缺乏训练数据和用途的细节说明，适用性需谨慎评估。
tiny-random-whisper - 轻量级随机耳语模型为语音识别提供高效解决方案
Apache 2.0GithubHuggingface代码共享开源许可开源项目模型知识产权软件协议
tiny-random-whisper是一个轻量级随机耳语模型，用于语音识别。该项目采用随机化技术，在保持小型模型体积的同时实现良好的识别性能。适用于资源受限设备和快速部署场景，为开发者提供灵活的语音识别工具。
tacotron - 端到端文本转语音合成模型实现
GithubTacotronTensorFlow开源项目文本到语音训练数据集语音合成
基于TensorFlow的Tacotron模型，是一个全面的端对端文本转语音合成系统。该模型涵盖多种数据集，运用现代深度学习与注意力机制优化文本到语音的高质量转换，适用于学术研究与商业应用。
E2-TTS - 非自回归零样本TTS模型简化语音合成
E2 TTSF5-TTSGithubHuggingface开源项目文本转语音模型零样本学习非自回归
E2-TTS是一个开源的文本转语音项目，采用完全非自回归方法实现零样本语音合成。该模型简化了语音生成过程，提供.pt和.safetensors格式的预训练模型。E2-TTS旨在提高语音合成效率，为研究人员和开发者提供便捷工具，推动语音技术发展。项目遵循CC-BY-NC-4.0许可，基于Emilia数据集训练。
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