NISQA

多维度语音质量评估和自然度预测深度学习工具

NISQA是一个先进的深度学习工具，专注于多维度语音质量评估，包括噪声、色彩度、断续和响度等特质。最新版本NISQA v2.0增强了预测精度，并支持模型训练与微调。NISQA-TTS专为评估文本到语音系统生成语音的自然度而设计。项目库含14,000多个语音样本，适用于广泛的训练和评估任务。

Github

文档

论文

介绍相关项目

bigvgan_v2_24khz_100band_256x - 大规模训练的通用神经声码器

BigVGANGithubGradioHuggingfacePyTorch开源项目模型神经声码器音频合成

该项目通过大规模训练为神经声码器领域带来了新的发展。其自定义的CUDA内核实现了1.5至3倍的推理速度提升，满足高效应用需求。利用多尺度的子频段判别器和梅尔谱损失进行训练，适应多种音频环境，涵盖多语言语音和环境音等。项目还集成至Hugging Face Hub，提供预训练模型和交互式演示，支持最高24 kHz的采样率和多种频段配置，为语音合成领域的研究者和开发者提供便利。

insuranceqa-corpus-zh - 开源中文保险问答语料库支持机器学习和NLP研究

Github保险语料库分词处理开源项目数据格式机器学习问答数据集

insuranceqa-corpus-zh是一个开源的中文保险行业问答语料库,包含真实用户问题和专业回答。作为保险领域首个开放QA语料库,它提供问答语料和问答对语料两种格式,支持答案选择、阅读理解等多种机器学习任务。数据集划分为训练集、测试集和验证集,并附有详细使用说明和格式介绍,方便研究人员快速应用。该项目适合进行保险领域自然语言处理和问答系统相关研究。

RealtimeSTT_LLM_TTS - 整合语音识别与AI对话的开源项目

GPU支持GithubRealtimeSTT唤醒词实时转录开源项目语音转文字

该项目集成语音识别、AI对话和语音合成,支持GPU加速以实现低延迟交互。具备语音检测、实时转录和唤醒词等功能,可用于开发语音助手和AI对话应用。Web界面支持个性化配置,适合快速构建语音交互系统。

vocos-mel-24khz - 基于GAN的高效神经声码器Vocos

GANGithubHuggingfaceVocos开源项目梅尔频谱图模型神经声码器音频合成

Vocos是一个开源的神经声码器项目,采用GAN训练方法,能够从声学特征快速合成高质量音频。它通过生成频谱系数并进行傅里叶逆变换重建音频,实现单次前向传播的高效生成。项目提供预训练模型和Python接口,支持梅尔频谱图重建和文件复合合成。Vocos结合了时域和傅里叶域声码器的优点,为音频合成领域提供了新的技术方案。

nnAudio - 基于PyTorch的快速GPU音频处理工具箱

GPUGithubPyTorchnnAudio开源项目音频处理频谱图

nnAudio是一款基于PyTorch的音频处理工具箱，利用卷积神经网络实现实时频谱图生成和傅里叶核心训练。它具备跨平台兼容性、可训练性和可微分性，支持STFT、梅尔频谱、MFCC、CQT等多种音频处理功能。相比传统工具，nnAudio在GPU上提供更高效的音频分析和处理方案。

snac_44khz - 多尺度神经音频编解码器实现低比特率音频压缩

GithubHuggingfaceSNAC低比特率开源项目模型神经音频编解码器音乐生成音频压缩

SNAC(Multi-Scale Neural Audio Codec)是一种创新的音频压缩模型，采用分层令牌方法将44kHz音频压缩至2.6kbps的低比特率。该模型引入粗糙令牌的低频采样机制，优化了音频编码效果。SNAC主要针对音乐数据训练，适用于音乐和音效处理。它提供多个预训练模型，支持不同采样率和比特率，便于在Python项目中进行音频编码和解码。SNAC在保持音质的同时，实现了高效的音频压缩，为音频处理领域提供了新的解决方案。

vietTTS - 开源越南语文本转语音系统

GithubHiFiGANTTS开源项目语音合成越南语预训练模型

vietTTS是一个开源的越南语文本转语音系统，集成了持续时间模型、声学模型和HiFiGAN声码器。项目提供预训练模型、数据处理工具、训练脚本和合成接口，便于研究和开发。包含详细文档，涵盖安装、数据准备和模型训练，对越南语语音合成技术发展具有参考价值。项目提供在线演示和音频样例，直观展示效果。目前项目已停止更新，新版本已迁移至LightSpeed项目，其中包含新的男声模型。

Qwen2-Audio-7B-Instruct - 大规模音频语言模型实现语音聊天和音频分析

GithubHuggingfaceQwen2-Audio人工智能大型音频语言模型开源项目模型语音聊天音频分析

Qwen2-Audio-7B-Instruct是一个开源的大规模音频语言模型，具备语音聊天和音频分析能力。该模型可处理多种音频输入，执行音频分析或回应语音指令。它支持批量推理，并提供Python代码示例，方便开发者集成语音交互和音频分析功能。这个模型为音频理解和处理任务提供了实用的解决方案。

PPASR - 基于PaddlePaddle的开源流式与非流式语音识别框架

GithubPPASRPaddlePaddle开源项目流式识别深度学习语音识别

PPASR是一个开源的中文语音识别框架，基于PaddlePaddle深度学习平台开发。该框架支持流式和非流式识别，集成了conformer、deepspeech2等多种先进模型，并提供集束搜索和贪心解码功能。PPASR可部署于服务器和Nvidia Jetson设备，提供预训练模型和详细文档，旨在实现简单实用的语音识别应用。

相关项目

推荐项目

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。

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。

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。

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。

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。

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。

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。

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。

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