audio-preprocess

开源音频处理工具集

音频预处理 Fish Audio Preprocessor 音频处理 Python工具开源项目 Github

Fish Audio Preprocessor是一个开源音频处理工具集，提供视频/音频转wav、人声分离、自动切片和音量匹配等功能。它支持音频数据统计、重采样和转录，未来计划集成WhisperX技术。该项目在Ubuntu系统上测试通过，可通过pip安装，并提供命令行界面。适用于需要批量处理音频的开发者和研究人员。

Github

介绍相关项目

whisper-timestamped - 多语言语音识别工具，支持单词时间戳和置信度评分

GithubOpenAIwhisper-timestamped信心评分开源项目时间戳语音识别

whisper-timestamped 是一个增强型多语言语音识别工具，基于 OpenAI 的 Whisper 模型，通过动态时间规整(DTW)技术预测单词时间戳，并附带置信度评分。该扩展兼容所有 Whisper 版本，优化内存使用，适用于处理长音频文件。此外，还支持在运行 Whisper 模型前进行语音活动检测(VAD)，有效降低训练数据中的误差。whisper-timestamped 可提高识别准确度，尤其适用于包含语音卡顿或填充词的情景。

overlapped-speech-detection - 开源重叠语音检测工具实现多人同时发言识别

GithubHuggingfacepyannote声纹分割开源项目模型语音识别语音重叠检测音频处理

开源重叠语音检测工具overlapped-speech-detection专注于识别音频中的多人同时发言片段，通过Python API接口快速部署实现。该工具基于神经网络技术，支持多种数据集训练，可应用于会议记录、课堂互动、多人访谈等场景的语音分析。

Wav2Lip - 先进的AI视频口型同步技术

GithubWav2Lip唇形同步开源项目深度学习视频处理音频处理

Wav2Lip是一个开源项目，采用先进的人工智能技术实现高精度的视频口型同步。该技术适用于各种身份、声音和语言，包括CGI人脸和合成语音。项目提供完整的训练和推理代码以及预训练模型，方便用户将任意音频与视频进行口型同步。Wav2Lip在多个基准数据集上展现出领先性能，为视频制作和内容创作领域提供了有力支持。

pyFLAC - Python实现的FLAC音频编解码库

FLACGithubPythonpyFLAC开源项目无损压缩音频编码

pyFLAC是一个为libFLAC提供Python接口的库，用于FLAC音频文件的无损编码和解码。支持文件直接操作和实时处理回调，兼容macOS、Linux、树莓派和Windows等多个平台。该库还包含命令行工具，便于WAV和FLAC文件的快速转换。pyFLAC为开发者提供了高效的FLAC音频处理解决方案。

audiomentations - 使用于深度学习的高级音频数据增强库

AudiomentationsGithubPyPIPython开源项目深度学习音频数据增强

Audiomentations是一个用于音频数据增强的Python库，专为提升深度学习模型性能而设计。该库支持单声道和多声道音频，能够集成到Tensorflow/Keras或Pytorch等训练管道中。它已在Kaggle竞赛中帮助用户取得了出色的成绩，并被多家开发下一代音频产品的公司采用。Audiomentations提供了丰富的音频变换功能，如加噪声、时间拉伸、音调变化和移位等，在CPU上运行，同时推荐使用torch-audiomentations以获得GPU支持。

stt - 高效离线本地语音识别工具，基于fast-whisper模型，支持多种输出格式

CUDA加速Githubfast-whisper开源项目文本输出本地部署热门语音识别

这款语音识别工具可在本地离线运行，基于开源的fast-whisper模型，可将视频和音频中的人声快速转换为文字。支持输出json、srt及纯文本格式，无需联网，确保隐私安全，与openai语音识别接口准确率相当。用户可便捷下载预编译版本，或自行部署源码，支持多种操作系统。此外，还提供API接口，适合开发者使用。支持CUDA加速，优化处理速度。

wordcab-transcribe - 开源语音识别与说话人分离API

APIGithubWordcab Transcribefaster-whisper开源项目语音识别音频转录

Wordcab Transcribe是一个基于FastAPI的开源语音识别API。它使用faster-whisper进行音频转录，自动调谐谱聚类技术实现说话人分离。该项目具有处理速度快、易于部署、支持批量请求等特点，可通过本地开发或Docker部署。API支持音频文件和YouTube视频的转录，适用于商业用途。

audapolis - 多媒体编辑器提供文字处理器式体验

Githubaudapolis媒体编辑开源软件开源项目文字转录音频编辑器

audapolis是一款开源的多媒体编辑工具，为口语媒体编辑提供类似文字处理器的操作体验。该工具支持音频自动转录为文本，适用于视频、音频和混合编辑，可用于制作广播节目、播客、有声书和采访片段等内容。audapolis重视用户隐私，采用本地存储方式，无需云端服务。该软件支持Windows、Linux和macOS平台，致力于简化媒体编辑工作流程。

so-vits-svc-fork - 高效实时声音转换与改进界面

Githubso-vits-svc-fork实时转换开源开源项目语音转换预训练模型

so-vits-svc-fork项目基于so-vits-svc分支进行改进，支持实时声音转换并优化了用户界面。它不仅兼容旧版模型，同时通过高效的训练流程和简捷的pip安装过程提供了良好的用户体验。项目集成了QuickVC和ContentVec技术，显著提升音调估计准确性，并支持通过图形界面或命令行实时进行语音转换，同时支持自动下载预训练模型。

tiktok-voice - 开源的TikTok文字转语音Python工具

API接入GithubMP3转换PythonTikTok Text-to-speech API开源项目语音选项

探索TikTok-voice这款强大的Python工具，利用TikTok API高效转换文字为语音。适合Python 3.8或以上环境，提供全面的语音类型和多语种支持。简化您的语音生成过程，从文件读取或直接输入均可。详细信息请见我们的Wiki或Discord。

相关项目

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。

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