Project Icon

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。

DDSP-SVC - 低硬件需求语音转换工具,支持多音色训练
AI语音转换DDSP-SVCGithub声音转换开源项目数字声音信号处理深度学习
DDSP-SVC是一个开源AI语音转换项目,适用于普通个人电脑。相比SO-VITS-SVC,该项目具有较低的硬件资源消耗,训练速度接近RVC。项目包含新型Cascade Diffusion模型,支持多音色训练,提供多个预训练模型,满足多种语音转换需求。
OpenVoice - 全面掌握多语种声音克隆技术:OpenVoice提供高精度与灵活性
GithubOpenVoice商业使用多语言支持开源项目热门语音克隆音频质量
OpenVoice是一款革命性的语音克隆工具,提供准确的音色复制和灵活的声音风格控制,支持多种语言和口音。V2版本进一步强化了音质,并增设了多种母语级支持,包括英语、西班牙语、法语、中文、日语和韩语,并从2024年4月起免费提供商业使用。OpenVoice已广泛应用于即时语音克隆功能,并在全球范围内持续扩展用户群体。
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。
PaddleSpeech - 全面的开源语音处理工具集,涵盖语音识别、语音合成、说话人验证等多项功能
GithubPaddleSpeech声纹识别开源项目文本转语音热门语音合成语音识别
PaddleSpeech是基于PaddlePaddle平台的开源语音处理工具集,覆盖自动语音识别、文本转语音合成、说话人确认及声音分类等多项功能,提供易于使用、高效和灵活的模型,支持各类语音相关任务。工具集包含全流程服务,支持流式识别与合成系统,为研究和工业应用提供强大支持。
F5-TTS - 提高训练和推理速度的先进文本到语音转换系统
E2 TTSF5-TTSGithub开源项目推理数据集训练
项目F5-TTS利用Diffusion Transformer和ConvNeXt V2技术,显著提升了训练和推理速度。支持生成最长30秒的音频,并通过Sway Sampling技术优化推理性能。用户可以自定义数据集,并使用多GPU和fp16配置加速训练。提供单次推理、语音编辑和批量推理功能,并支持通过Gradio App进行操作。多种测试数据集和评估工具确保模型表现稳定高效。
friendly-stable-audio-tools - 改进后的Stable Audio Tools开源框架支持音频生成模型训练和推理
AI音频生成GithubStable Audio开源项目模型训练深度学习音乐生成
该项目是对Stability AI的stable-audio-tools的重构和增强,提供了音频和音乐生成模型的开源代码。重构后的代码提高了可读性和易用性,并新增了评估和使用自训练模型的脚本。项目详细说明了如何训练Stable Audio 2.0等模型,并提供了Stable Audio Open 1.0的使用文档和便捷脚本。此外,项目支持多GPU/节点生成,并集成了Gradio界面用于测试模型。
data2vec-audio-base-960h - 利用自监督学习提升语音识别效率的开源框架
Data2VecGithubHuggingfaceTransformer开源项目模型自动语音识别自监督学习语言模型
Data2Vec是一种开源模型,基于Librispeech数据集进行960小时的16kHz语音音频的预训练和微调,在语音识别领域表现优异。利用自监督学习与自蒸馏手段,Data2Vec准确提取上下文信息,优化了自动语音识别的表现。在LibriSpeech的测试中,取得了“clean”任务2.77和“other”任务7.08的词错误率(WER),体现了其在业内的竞争力。
ZMM-TTS - 零样本多语言多说话人语音合成技术创新
GithubZMM-TTS多语言多说话人开源项目自监督学习语音合成
ZMM-TTS是一个多语言多说话人语音合成框架,基于大规模预训练自监督模型的量化语音表示。该项目首次将文本和语音自监督学习模型的表示应用于多语言语音合成。实验表明,ZMM-TTS在六种高资源语言中,对已知和未知说话人都能生成自然度高、相似度好的语音。即使对缺乏训练数据的新语言,也能合成清晰且与目标说话人相似的音频。
NeuralSVB - NeuralSVB 基于深度学习的歌声美化系统
AI歌声美化GithubNeuralSVB开源项目深度学习语音处理音频生成
NeuralSVB是一个开源的歌声美化系统,基于深度学习技术自动优化歌唱质量。该系统通过分析和调整音高、音色和表现力,改善歌声效果。项目提供了训练代码、预训练模型和自建数据集PopBuTFy,为歌声合成技术的研究和开发提供了重要资源。
Expressive-FastSpeech2 - 非自回归表情文本到语音合成技术
Expressive-FastSpeech2Github多语言支持对话TTS开源项目情感TTS非自回归TTS
Expressive-FastSpeech2是一个非自回归表情文本到语音(TTS)的研究项目,专注于emotional和conversational TTS。该项目使用AIHub多模态视频AI数据和IEMOCAP数据库进行韩语和英语的处理,并提供了不同语言适应和数据处理的指导。
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