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。

RealtimeSTT - 实时语音转文本库 适用于低延迟应用
GithubRealtimeSTT唤醒词实时转录开源项目语音助手语音转文本
RealtimeSTT是一个为实时应用设计的语音转文本库。它集成了语音活动检测、实时转录和唤醒词激活等功能,适合开发语音助手和需要快速精确语音转文本的应用。该库采用WebRTCVAD和SileroVAD进行语音检测,Faster_Whisper执行转录,Porcupine或OpenWakeWord负责唤醒词检测,体现了当前语音识别技术的先进水平。
resemble-enhance - 语音增强工具提升音质消除噪音
AI工具GithubResemble Enhance开源项目语音增强降噪音频处理
Resemble Enhance是一款开源的AI语音增强工具,通过去噪和增强提高语音质量。它包含去噪器和增强器两个模块,使用44.1kHz高质量语音数据训练。该工具支持命令行操作和Web演示,可轻松安装使用。此外,还提供了训练自定义模型的功能,适用于有特定需求的用户。
SenseVoice - 高效、多语种语音识别与情绪识别技术平台
GithubSenseVoice多语言语音识别开源项目情绪识别推理效率热门音频事件检测
SenseVoice是一款支持多语言的语音解析模型,整合了自动语音识别、语种识别、情绪识别及音频事件检测功能。该项目采用非自回归端到端框架,可在超过50种语言上提供精准的语音识别服务,大幅降低了推理延迟,提供方便的微调脚本和多语种细粒度情绪分析,支持多种客户端语言和服务部署,适用于多种商业场景。
insanely-fast-whisper-api - 音频转文字的高速开源API,支持GPU云部署与并发处理
DockerGithubJigsawStackWhisper API开源开源项目转换音频
这是一款基于OpenAI Whisper Large v3的API,能够高速将音频转录为文字。此开源项目支持在任意支持GPU的云提供商上部署,内置说话人分离功能,提供易用的Fast API层、异步后台任务和Webhooks,优化了并发处理。支持任务管理、取消与状态查询,拥有安全的管理员认证访问。通过Docker可以轻松部署到包括Fly.io在内的多种VM环境,实现高效的生产用途。
dasp-pytorch - 基于PyTorch的可微分音频信号处理器库
GithubPyTorch信号处理开源项目深度学习神经网络音频处理
dasp-pytorch是一个基于PyTorch的可微分音频信号处理库。它实现了混响、失真、动态范围处理、均衡和立体声处理等功能,可用于虚拟模拟建模、参数估计、自动DSP和风格迁移。该库支持CPU和GPU批处理,有助于加速训练和优化性能。作为开源项目,dasp-pytorch在Apache 2.0许可下可免费用于学术和商业目的。
stable-audio-metrics - 音频生成模型评估指标集合
GPU支持Githubstable-audio-metrics开源项目数据结构音频指标音频生成模型评估
stable-audio-metrics是一个评估音乐和音频生成模型的开源指标集合。它包含基于Openl3的Fréchet距离、基于PaSST的Kullback-Leibler散度和基于CLAP-LAION的CLAP分数。该项目针对长形式全频带立体声生成进行了优化,支持可变长度输入,并提供了详细文档和示例。适用于评估MusicCaps、AudioCaps和Song Describer等数据集的音频生成质量。
RealtimeTTS - 实时低延迟高质量文本转语音库
GithubRealtimeTTS低延迟多引擎支持多语言支持开源项目高质量音频
RealtimeTTS是一款低延迟、高质量的实时文本转语音库。支持OpenAI、Elevenlabs、Azure、Coqui、gTTS和系统TTS引擎,兼容多语言,适用于专业和关键场景。新增灵活定制安装选项,用户可以选择所需功能模块。通过回退机制确保持续运行,完美兼容大语言模型,实现即时文本流转换和清晰自然的语音输出。
Qwen-Audio-Chat - 多模态音频语言模型支持多种音频类型和复杂场景分析
GithubHuggingfaceQwen-Audio多任务学习多模态开源项目模型语音识别音频语言模型
Qwen-Audio-Chat是一款大规模音频语言模型,支持多种音频输入和文本输出。该模型采用创新的多任务学习框架,可处理30多种音频任务,在多个基准测试中表现优异。它能够支持多轮对话、声音理解、音乐欣赏等复杂场景,为音频AI研究和应用提供了有力工具。Qwen-Audio-Chat已开源模型代码和权重,并允许商业使用,推动了音频AI技术的发展。
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。
SpeechFlow - 高准确度多语言语音识别API实现智能音频转文字
AI工具API集成人工智能准确率多语言支持语音转文字
SpeechFlow语音识别API支持14种语言的音频转文字,准确率超越市场同类20%。简洁API设计便于云端和本地部署,高效处理大量音频。按需付费模式为企业和个人提供可靠的语音转写解决方案,促进音频内容智能化。
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