Project Icon

AudioDec

流式高保真神经音频编解码开源项目

AudioDec项目开发了一种流式高保真神经音频编解码器,可以12.8 kbps的比特率处理48 kHz单声道语音。该编解码器在GPU上解码延迟约6毫秒,CPU上约10毫秒。项目采用两阶段训练方法,利用预训练模型可快速为新应用训练编码器。AudioDec在压缩率、延迟和重建质量方面均表现优异,适用于实时通信等场景。

dectalk - DECtalk项目包括源代码、最新下载及社区活动
DECtalkGithubVisual Studio开源开源项目源代码编译
DECtalk是一款综合性的语音合成系统,支持多个平台并拥有活跃的用户社区。项目从2015年开始由初代开发者Edward Bruckert公开源代码,并持续进行更新。GitHub上可下载最新版本,也可以直接在网页浏览器体验。DECtalk社区在Discord上活跃,欢迎参与讨论。无论是Linux、Windows还是MacOS,都有详细的构建指南以支持多种编译环境,包括Docker和Visual Studio。
openai-whisper-realtime - 低延迟实时音频转录,依赖高性能硬件和Python生态
GithubOpenAI WhisperPython依赖项实时转录开源项目音频输入
openai-whisper-realtime是一个几乎实时转录音频的实验项目,使用Python和OpenAI Whisper处理音频。该项目依赖高性能CPU或GPU,使用sounddevice、numpy和asyncio等库。当前目标包括提升转录性能、优化断词检测和动态分割。
FunAudioLLM-APP - 开源语音交互与实时翻译应用
FunAudioLLMGithub人工智能开源项目语音翻译语音聊天音频处理
FunAudioLLM-APP是一个开源项目,包含Voice Chat和Voice Translation两个应用。Voice Chat提供AI驱动的对话系统,实现自然的语音交互。Voice Translation提供实时语音翻译功能,帮助不同语言使用者进行沟通。项目整合了CosyVoice和SenseVoice技术,旨在提升语音交互和翻译体验。
FastDiff - 高效生成高保真语音的快速条件扩散模型
FastDiffGithubPyTorch开源项目条件扩散模型语音合成高保真语音合成
FastDiff项目实现了一种高效生成高保真语音的条件扩散模型。该项目在GitHub上提供了开源实现和预训练模型,支持包括LJSpeech、LibriTTS和VCTK在内的多种数据集。适用于语音合成和神经语音编解码等任务,并支持多GPU并行训练。项目还提供了详细的推理和训练指南,以及预处理工具和训练配置示例。FastDiff代码参考了NATSpeech和Tacotron2等项目,广泛适用于研究和实际应用。
SpeechTokenizer - 将语音标记化统一的开源工具
GithubRVQSpeechTokenizer开源项目语音信息处理语音标记器语音语言模型
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。
deffcode - 基于FFmpeg的跨平台视频帧解码处理库
DeFFcodeFFmpegGithubPython开源项目视频帧解码跨平台
DeFFcode是一个基于FFmpeg的跨平台视频帧解码库。它可实时生成低延迟的视频帧,支持多种输入源,提供对底层管道的完整控制,并保持与OpenCV兼容的编码语法。DeFFcode支持GPU加速、关键帧提取和元数据提取等功能,适用于计算机视觉应用开发。
dla - 深度学习音频处理综合课程
Deep Learning for AudioGithubHSE声源分离开源项目语音生成语音识别
此课程详细介绍了音频深度学习的各个方面,包括数字信号处理、语音识别、源分离、文本转语音、语音转换、语音生物识别及音频生成扩散模型。每周更新课程材料,涵盖从理论讲解到实操的全面学习。提供全面的作业和丰富的学习资源,适合深入了解音频处理技术的人士。
UniCATS-CTX-vec2wav - 声学上下文感知的创新声码器
CTX-vec2wavGithubUniCATS上下文感知声码器开源项目语音合成
UniCATS-CTX-vec2wav是UniCATS框架中的声学上下文感知声码器。该项目利用上下文VQ-Diffusion和声码化技术进行语音合成,提供完整的训练和推理流程。支持多GPU训练,并提供16kHz和24kHz采样率的预训练模型参数。此开源项目为研究人员和开发者提供了探索先进语音合成技术的平台。
SoundStorm - 并行音频生成技术探索的非官方PyTorch实现
GithubSoundStorm并行处理开源项目深度学习语音合成音频生成
SoundStorm是一个基于谷歌研究的并行音频生成项目的非官方PyTorch实现。该项目采用掩码离散扩散方法,使用HuBERT提取语义并预测声学特征。与原版不同,本实现创新性地使用浅层U-Net组合码本。项目提供完整的数据准备、训练和推理指南,为研究人员提供了探索并行音频生成技术的实用框架。
bigvgan_v2_22khz_80band_256x - 大规模训练的通用神经网络声码器 高性能音频生成模型
BigVGANCUDA加速GithubHuggingface开源项目模型神经声码器音频生成预训练模型
BigVGAN是一个通用神经网络声码器,支持高达44kHz采样率和512倍上采样。其最新版本优化了推理速度,改进了模型结构,并使用大规模多样化数据集训练。该模型在语音合成基准测试中表现出色,为音频生成任务提供了高性能解决方案。
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