CTCWordBeamSearch

CTC解码器提升文本和语音识别的性能

CTC Word Beam Search Python 文本识别语言模型 Github 开源项目

CTC Word Beam Search是一种基于词典和语言模型的连接时序分类（CTC）解码器，支持Python 3.11和3.12版本。项目提供详细的安装和使用指南，并通过示例代码展示其在文本识别模型中的应用。算法具有四大特点：使用词典约束词语、允许词间出现任意非词字符、可选用词级语言模型（LM）以及比token传递算法更快。文档中提供了主要参数的说明和更多的技术细节及使用案例，适用于手写文本识别和自动语音识别。

访问官网

Github

介绍相关项目

honeybee - 优化多模态大语言模型性能的局部性增强投影器

GithubHoneybee多模态大语言模型局部性增强投影器开源项目深度学习计算机视觉

Honeybee项目通过局部性增强投影器提升多模态大语言模型性能。该项目在MMB、MME、SEED-I等基准测试中表现优异，提供预训练和微调模型检查点。Honeybee支持多种数据集，包含详细的数据准备、训练和评估指南，为多模态AI研究和开发提供开源工具。

deepseek-coder-1.3b-instruct - DeepSeek Coder 多语言支持的开源代码生成与补全模型

DeepSeek CoderGithubHuggingface代码语言模型商业使用多语言编程开源项目模型项目级代码补全

DeepSeek Coder 1.3B是一款基于2T tokens数据训练的开源代码语言模型，包含87%代码和13%中英文自然语言。该模型支持多种编程语言，提供项目级代码补全和填充功能，并在HumanEval等基准测试中展现出色性能。采用16K窗口大小，模型适用于各类开发场景，并支持商业用途。开发者可通过简单的API快速集成和使用这一强大的代码生成工具。

parakeet-ctc-1.1b - 高效自动语音识别模型，快速完成语音转录

FastConformerGithubHuggingfaceNeMopytorch开源项目模型自动语音识别词错误率

parakeet-ctc-1.1b是由NVIDIA NeMo和Suno.ai团队开发的ASR模型，采用FastConformer架构，参数量约11亿。该模型适用于16kHz单声道音频，可以转录语音为小写英文。经过多数据集测试，字错率表现优异，如LibriSpeech clean数据集WER为1.83。利用NVIDIA NeMo工具包，该模型可用于推理或微调，适合多领域音频转录。

ctransformers - Python接口的高效C/C++ Transformer模型

CTransformersGGMLGithubLangChainPythonTransformer模型开源项目

CTransformers提供Python接口，通过GGML库高效加载和运行C/C++实现的Transformer模型。支持多种模型类型，如GPT-2、GPT-J、LLaMA等，并可与Hugging Face和LangChain集成。提供CUDA、ROCm和Metal兼容的GPU加速选项，适合高性能自然语言处理任务。

cherche - 神经搜索和语义检索的开源工具

ChercheGithub安装指南开源项目排序器检索器神经搜索

Cherche是一款开源工具，用于开发神经搜索流水线，支持预训练语言模型和检索器，特点是在于构建端到端检索管道，适用于离线语义搜索。它支持多种检索器和排名模型，包括TF-IDF、BM25、Lunr、DPR等，并与SentenceTransformers和Hugging Face模型兼容。项目提供详细文档和安装指南，欢迎社区参与贡献。

TensorflowASR - Tensorflow 2和Conformer结合的端到端语音识别解决方案

CTCConformerGithubONNXTensorflowASR开源项目语音识别

Tensorflow 2和Conformer结构打造的端到端语音识别模型，支持在线流式和离线识别，实时率约为0.1。该项目提供VAD、降噪、TTS数据增强等功能，并支持ONNX推理优化。训练结果在Aishell-1测试集上表现优异，适用于语音识别。最新更新的Chunk Conformer结构进一步提升了长时间语音识别的准确性和效率。

deepvoice3_pytorch - 基于卷积网络的文本到语音合成技术

DeepVoice3GithubPyTorch多说话者模型开源项目文本转语音预训练模型

DeepVoice3_pytorch是基于PyTorch的文本到语音深度学习平台，支持多语种和多数据集，包括英语、日语和韩语，适合多个说话者或单个说话者。项目提供预训练模型、音频样本、在线演示及详尽的训练指南，旨在简化用户的使用过程，并能灵活定制个性化的语音合成应用。

speech-to-text-benchmark - 开源语音识别基准测试框架对比多家主流引擎

Github基准测试开源项目模型大小计算效率识别准确率语音转文本

该项目提供了一个开源的语音识别基准测试框架，对比了Amazon、Azure、Google等主流云服务以及OpenAI Whisper、Picovoice等引擎的性能。框架使用LibriSpeech、TED-LIUM和Common Voice数据集，评估词错率、计算效率和模型大小等指标。测试结果客观展示了各引擎在准确度和资源消耗方面的表现，为选择语音识别解决方案提供了参考依据。

glow-tts - 通过单调对齐搜索进行文本转语音的生成流

GithubGlow-TTSHiFi-GAN并行合成开源项目文本转语音模型训练

Glow-TTS，一款创新的文本到语音转换模型，独立完成文本与语音的单调对齐搜索，无需外部辅助。此模型不仅大幅提升合成速度，还支持多样性与可控性，并可适应多说话人环境。更新项包括采用新技术降低噪声并优化发音，使其在速度和音质上优于传统模型。

conformer - 结合卷积神经网络和Transformers的语音识别模型

ConformerGithubPyTorchTransformer卷积神经网络开源项目语音识别

Conformer模型结合卷积神经网络和Transformers，能同时捕捉音频的局部和全局依赖关系，提高语音识别精度并节省参数。本项目提供该模型的PyTorch实现，包含详细的安装和使用指南，适用于Python 3.7及更高版本。

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