Logo
Project Icon

snac_44khz

多尺度神经音频编解码器实现低比特率音频压缩

Huggingface模型SNACGithub低比特率神经音频编解码器音乐生成开源项目音频压缩

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。

GithubGithubHuggingfaceHuggingface
介绍相关项目
BigVGAN - 大规模训练的通用神经网络声码器
BigVGANGithub开源项目深度学习神经声码器语音合成音频处理
BigVGAN是一个通过大规模训练实现的通用神经网络声码器。它可高质量合成多语言语音、环境声音和乐器声音等多种音频。项目提供多个预训练模型，支持44kHz采样率和512倍上采样比率。BigVGAN集成自定义CUDA内核，在单个A100 GPU上推理速度提升1.5-3倍。
WaveRNN - 高效神经音频合成技术
GithubPytorchTTSTacotronWaveRNN开源项目语音合成
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。
distil-small.en - 轻量快速的英语语音识别模型,保持高准确率
Distil-WhisperGithubHuggingfaceTransformers开源项目模型模型压缩语音识别高性能
distil-small.en是Whisper模型的轻量化版本,参数量为166M。相比原始模型,速度提升6倍,体积减少49%,在外部数据集上的识别准确率仅降低1%。支持短长音频转录,可通过Transformers等多种框架使用。适合资源受限场景,采用编码器-解码器架构,通过精简解码器提升推理效率。
nncf - Neural Network Compression Framework：高效神经网络推理压缩算法
GithubNeural Network Compression FrameworkONNXOpenVINOPyTorchTensorFlow开源项目
Neural Network Compression Framework (NNCF) 提供一套后训练和训练时的优化算法，用于在 OpenVINO 中优化神经网络推理，保证最小的精度损失。NNCF 支持 PyTorch、TensorFlow 和 ONNX 等模型，并提供示例展示不同压缩算法的使用案例。NNCF 还支持自动化模型图转换、分布式训练和多种算法的无缝组合，支持将压缩后的 PyTorch 模型导出为 ONNX 检查点及将 TensorFlow 模型导出为 SavedModel 格式。
Lana_Del_Rey_e1000_s13000 - RVC模型应用于音频转换的关键特性
GithubHugging FaceHuggingfaceLana_Del_Rey_e1000_s13000RVC开源项目模型音频转换
该RVC模型通过自动程序生成，适用于特定平台的音频转换需求。在音频处理领域，该模型提供高效且可靠的转换体验，特别适合需要高精度音频转换的用户。
CLAP - 音频与文本的对比学习预训练模型
CLAPGithub多模态学习开源项目机器学习音频处理预训练模型
CLAP是一个音频-文本对比学习预训练模型，可提取音频和文本的潜在表示。它基于CLIP架构设计，通过大规模预训练学习音频与文本的对应关系。该模型适用于音频分类、检索等多种下游任务。项目提供开源预训练模型、代码和PyPI库，支持从音频文件或数据中直接提取特征。
audio-flamingo - 新型音频语言模型实现音频理解和多轮对话
Audio FlamingoGithubfew-shot学习对话能力开源项目语言模型音频理解
Audio Flamingo是一种创新音频语言模型，具备音频理解、快速任务适应和多轮对话能力。通过优化训练技术、架构设计和数据策略，该模型在多项音频理解任务中创建新基准。项目开源基础模型和对话模型的训练及推理代码。模型权重可从GitHub和HuggingFace获取，仅供非商业用途。
SlimSAM-uniform-77 - 高效压缩分割模型实现接近原始SAM性能
GithubHuggingfaceSlimSAM图像分割开源项目模型模型压缩深度学习计算机视觉
SlimSAM是一种创新的SAM压缩方法，通过剪枝-蒸馏框架高效重用预训练模型。该方法采用交替细化策略和无标签剪枝准则，将模型参数减至原始SAM-H的0.9%，计算量减至0.8%，仅使用0.1%的训练数据。与其他压缩方法相比，SlimSAM在使用更少训练数据的情况下实现了优越性能。
larger_clap_general - CLAP音频-文本预训练模型 实现零样本音频分类和特征提取
CLAPGithubHuggingface开源项目机器学习模型语音识别零样本分类音频处理
larger_clap_general是一个优化的CLAP（对比语言-音频预训练）模型，针对通用音频、音乐和语音进行训练。该模型结合SWINTransformer和RoBERTa分别处理音频和文本信息，适用于零样本音频分类和音频/文本特征提取。它能够在不针对特定任务优化的情况下，预测与给定音频最相关的文本描述，广泛应用于音频分类等多个领域。
rnnoise - 开源深度学习实时语音降噪库
GithubRNNoise噪音抑制开源项目机器学习神经网络语音增强
RNNoise是一个开源的基于循环神经网络的噪声抑制库，专注于实时全频带语音增强。它采用混合DSP和深度学习方法，支持48kHz采样率的16位PCM文件处理。该项目提供简单的命令行工具，同时允许用户使用自定义数据集进行模型训练。RNNoise还支持可加载模型，提高了系统的灵活性和适应性。
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