Project Icon

WaveRNN

高效神经音频合成技术

WaveRNN通过Pytorch实现了Deepmind的高效神经音频合成技术,并包含Tacotron训练支持, 提供两种预训练模型。项目向研究者和开发者开放,并附有详细使用指南与多样化的自定义功能,以便进行高质量的文本到语音转换。

wav2vec2-base - Facebook开发的语音表征学习模型实现低资源语音识别
GithubHuggingfaceWav2Vec2开源项目模型深度学习自监督学习语音识别语音预训练
Wav2Vec2-Base是Facebook开发的语音预训练模型,基于16kHz采样语音音频。该模型通过掩蔽输入语音的潜在空间和解决对比学习任务,学习语音表征。在LibriSpeech基准测试中,即使只使用少量标注数据,也能取得优异成绩,证明了低资源语音识别的可行性。研究人员可以利用此模型进行微调,应用于不同的语音识别任务。
Make-An-Audio - 将文本转换为高保真音频的开源扩散模型
GithubMake-An-Audio人工智能开源项目扩散模型文本转音频音频生成
Make-An-Audio是一个开源的文本到音频生成项目,基于条件扩散概率模型。该项目能够从文本等多种模态生成高保真音频,支持文本到音频、音频到音频等多种任务。项目提供了预训练模型和简单的命令行操作,方便用户生成自定义音频。此外,项目还包含了详细的训练和评估流程,以及与其他模型的性能比较。
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。
GenerSpeech - 文本转语音模型,可实现 OOD 自定义语音的高保真零样本样式传输
GenerSpeechGithub多GPU支持开源项目文本到语音零样本学习风格转换
GenerSpeech: PyTorch实现的NeurIPS 2022文本到语音模型,专注于无监督出域场景下的高保真样式转换。提供多层级样式转换、优化的模型泛化功能,并支持多GPU环境。完整指南及音频样例可在线获取,助您快速实施和部署。
whisper - 多语种语音识别与翻译解决方案
GithubOpenAITransformer模型Whisper多语言处理开源项目热门语音识别
Whisper是一个通用语音识别模型,支持多种语言处理任务,如语音翻译和语言识别。该模型基于大规模多样化音频数据集进行训练,利用Transformer技术实现高效的序列到序列学习。用户可以通过简单的命令或Python代码实现快速准确的语音识别与翻译,是一个适用于多种应用场景的强大工具。支持多个模型大小和语言选项,用户可根据需求选择合适的模型。
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。
speechbrain - 加速对话AI开发的开源PyTorch工具包
GithubPyTorchSpeechBrain人工智能开源项目聊天机器人语音处理
SpeechBrain是一个基于PyTorch的开源框架,专注于对话AI技术的快速开发,涵盖语音助手、聊天机器人和大型语言模型。该项目包含超过200个训练配方,覆盖40个数据集进行20种语音和文本处理任务。支持从零开始构建模型或微调如Whisper、Wav2Vec2等预训练模型。此外,SpeechBrain通过30多个Google Colab教程促进教育和学习,帮助用户深入了解对话AI系统。
tts-generation-webui - 高效的文本到语音和语音克隆工具
GithubTTS Generation WebUI开源项目语音克隆软件更新音频生成音频转换
tts-generation-webui 是一款由AI驱动的开源文本到语音及语音克隆工具,支持包括 Bark、MusicGen、AudioGen 在内的多种模型。通过简洁的Web界面,用户可以方便地下载、升级及配置,同时享受持续的技术更新和社区支持。
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。
VITS-fast-fine-tuning - 个性化多语言语音合成与转换工具
GithubVITS声音转换多语言开源项目文本转语音语音克隆
VITS-fast-fine-tuning是一个开源的语音合成项目,旨在快速实现个性化的多语言文本转语音和声音转换功能。该工具支持中英日三语合成,允许用户添加自定义声音,并实现角色间的声音转换。项目提供本地训练和Google Colab两种方式,适应不同用户需求。此外,它能从多种音频源(如短音频、长音频、视频和B站链接)克隆声音,为用户提供灵活的声音定制选项。VITS-fast-fine-tuning的微调过程通常只需1小时左右,大大提高了个性化语音模型的开发效率。
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

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

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