Project Icon

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

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。

mms-300m - Facebook AI推出大规模多语言语音预训练模型
Facebook AIGithubHuggingfaceMMS多语言语音模型开源项目模型自监督训练语音识别
MMS-300m是Facebook AI开发的大规模多语言预训练语音模型,具有3亿参数。该模型在超过1400种语言的约50万小时语音数据上进行预训练,采用Wav2Vec2的自监督训练方法。MMS-300m为自动语音识别、翻译和分类等下游任务提供了基础,可通过微调适应不同应用场景,推动了跨语言语音技术的发展。
nb-wav2vec2-1b-bokmaal - 基于XLS-R的挪威语Bokmål语音识别模型实现高精度转录
GithubHugging FaceHuggingfaceNPSCWav2Vec2开源项目挪威语模型语音识别
nb-wav2vec2-1b-bokmaal是一个基于XLS-R的挪威语Bokmål语音识别模型,在NPSC测试集上达到6.33%词错误率和2.48%字符错误率。该模型由NbAiLab团队使用挪威议会语音语料库(NPSC)训练,并开源了完整代码和参数配置,便于研究者复现和优化。模型在Hugging Face平台发布,支持挪威语自动语音识别任务。
wav2vec2-xlsr-persian-speech-emotion-recognition - Wav2Vec 2.0波斯语语音情感识别模型
GithubHuggingfaceShEMOWav2Vec 2.0开源项目模型波斯语自动语音识别语音情感识别
该项目开发的Wav2Vec 2.0波斯语语音情感识别模型能够识别六种基本情绪。模型在ShEMO数据集上训练,总体准确率达90%。项目提供了完整的使用说明,包括环境配置、模型加载和预测示例代码。同时还展示了模型在各情绪类别上的性能指标,如精确率、召回率和F1分数等。
wav2vec2-base-vietnamese-250h - wav2vec2提升越南语音识别精度
CTCGithubHuggingfacewav2vec2开源项目模型自动语音识别语音识别越南语
项目应用wav2vec2技术实现越南语的自动语音识别。模型在13000小时的未标注YouTube音频上预训练,并在250小时的VLSP ASR数据集上进行微调,支持16kHz采样音频。结合4-grams语言模型,显著提高了语音识别的准确性,降低了VIVOS数据集的词错误率,从10.77降至6.15。项目使用CC BY-NC 4.0授权,适用于非商业用途。
wav2vec2-large-robust-24-ft-age-gender - Wav2vec 2.0驱动的24层神经网络实现音频年龄性别识别
GithubHuggingfaceWav2vec 2.0年龄识别开源项目性别识别模型语音识别音频分类
项目采用Wav2vec 2.0架构,构建了24层深度神经网络用于音频年龄和性别识别。通过多数据集微调,模型能准确预测0-100岁年龄段,并区分说话者为儿童、女性或男性。额外功能包括输出最终transformer层的池化状态。支持ONNX格式导出,并提供全面使用指南,为音频分析和语音处理研究提供了有力支持。
metavoice-src - 1.2B参数开源TTS模型,支持情感语音合成和跨语言声音克隆
GithubMetaVoice-1BTTS开源开源项目情感语音语音克隆
MetaVoice-1B是一个开源的1.2B参数TTS模型,经过10万小时的语音训练,支持英语情感语音合成和零样本的美式和英式语音克隆(仅需30秒参考音频)。该模型还支持跨语言声音克隆和任意长度文本的语音合成。可通过云端或本地部署使用,并提供Hugging Face和Google Colab的演示。
Qwen2-Audio - 大规模音频语言模型 支持语音交互和音频理解
GithubQwen2-Audio多语言支持开源项目语音翻译语音识别音频分析
Qwen2-Audio是一款先进的音频语言模型,可处理多种音频输入并执行分析或生成文本响应。该模型提供语音交互和音频分析两种功能,在13项基准测试中展现出色性能,包括语音识别、翻译和情感分析等任务。目前已发布Qwen2-Audio-7B和Qwen2-Audio-7B-Instruct两个版本。
Bert-VITS2 - 多语言BERT驱动的语音合成模型
Bert-VITS2FishAudioGithubMassTTSTTSVITS开源项目
Bert-VITS2项目融合了多语言BERT和先进的自回归TTS模型,提供高品质的语音合成。此项目参考了MassTTS等开源项目,并推荐使用Fish-Speech。详情和演示请参见视频链接和文档,项目强调中文用户需求和法律合规,禁止违规用途。
Multilingual_Text_to_Speech - 多语言文本到语音合成技术
GithubMeta-learningTacotron 2多语言文本转语音开源项目神经网络模型语音合成
Multilingual_Text_to_Speech项目综合采用Tacotron 2模型与元学习技术,支持复杂的多语言语音合成实验,提供完善的编码器共享机制,并包含丰富的语言数据及互动示范,旨在推动学术研究及应用开发。
XPhoneBERT - 多语言音素表示模型助力TTS性能提升
GithubXPhoneBERT多语言模型开源项目语音合成音素表示预训练模型
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。
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