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

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。

SLAM-LLM - 专注语音语言音频音乐处理的多模态大模型训练工具
GithubSLAM-LLM多模态大语言模型开源项目语音处理音乐处理音频处理
SLAM-LLM是一款开源深度学习工具包,为多模态大语言模型(MLLM)训练而设计。它专注于语音、语言、音频和音乐处理,提供详细训练方案和高性能推理检查点。支持自动语音识别、文本转语音等多种任务,具备易扩展性、混合精度训练和多GPU训练等特点,适合研究人员和开发者使用。
diffwave - 神经网络驱动的语音及波形快速合成技术
DiffWaveGithub开源项目波形合成器神经声码器语音合成预训练模型
DiffWave是一种基于迭代精细化的神经语音合成器,能从高斯噪声生成语音。支持多GPU和混合精度训练,提供命令行和程序化推理接口,并配有模型和音频样本。
llm-compressor - 开源大型语言模型压缩优化库
GithubHugging FaceLLM Compressorvllm开源项目模型优化量化
llm-compressor是一个专注于大型语言模型优化和压缩的开源库。它提供全面的量化算法集,支持权重和激活量化,并与Hugging Face模型和仓库无缝集成。该项目采用safetensors文件格式,确保与vllm兼容,同时通过accelerate支持大规模模型处理。llm-compressor涵盖多种量化格式和算法,包括激活量化、混合精度和稀疏化技术,为模型优化提供灵活多样的选择。
whisper-tiny - Whisper-Tiny转Ratchet格式的跨平台语音识别模型
GithubHuggingfaceRatchetWhisperopenai开源项目模型转换
Whisper-Tiny通过转换为Ratchet格式,在多平台上提供了一种高效的语音识别解决方案。此项目采用GGML转换技术,增强了模型在不同环境中的适应性和处理效率,对开发者与用户来说更具实用价值。项目遵循Apache-2.0开源许可,适合开发者广泛应用和改进。
distil-medium.en - 高效快速的英语语音识别模型
Distil-WhisperGithubHuggingfaceTransformers开源项目推理加速模型模型压缩语音识别
Distil-Whisper是OpenAI Whisper模型的压缩版,专为英语语音识别优化。该模型速度提升6倍,体积减少49%,性能仅下降1% WER。通过教师-学生蒸馏法在22,000小时多样化音频数据上训练,可直接替代Whisper用于短长音频转录,支持流式处理。
Diffusion-SVC - 高效实时语音转换系统
AI模型ContentVecDiffusion-SVCGithub开源项目扩散模型语音转换
Diffusion-SVC是一个基于扩散模型的语音转换项目,专注于实现高质量的实时语音转换。该系统以低显存占用、快速训练和推理为特点,并针对浅扩散和实时应用进行了优化。Diffusion-SVC支持多种预训练模型和编码器,适用于不同规模的GPU,可灵活搭配使用。通过与其他声学模型级联,系统能进一步提升音频质量并降低性能消耗,为语音转换技术带来新的可能性。
bark-small - 高性能多语言文本转语音模型
BarkGithubHuggingface人工智能多语言开源项目文本转语音模型音频生成
bark-small是Suno开发的基于transformer的文本转音频模型。它可生成高度逼真的多语言语音、音乐、背景噪音和简单音效,还能产生笑声、叹息等非语言交流。该模型支持多种语言,主要用于研究目的。用户可通过Hugging Face Transformers库或原始Bark库运行推理,生成24kHz的语音波形。bark-small提供了便捷的使用方法,适合进行文本转语音相关研究和实验。
audio-ai-timeline - 音频AI领域2023年重大进展及模型概览
AI音频生成Github开源项目扩散模型文本转语音深度学习音乐生成
Audio AI Timeline项目追踪2023年音频生成领域AI模型进展。涵盖MusicLM、AudioLDM 2等重要模型,展示文本到音频、音乐生成和语音合成技术发展。项目记录模型发布日期、论文、代码和训练资源,为音频AI领域研究者和开发者提供参考。
wav2vec2-base-superb-ks - 高效的关键词识别音频分类模型
GithubHuggingfaceSUPERBWav2Vec2关键词识别开源项目模型语音命令音频分类
Wav2Vec2-Base模型支持SUPERB关键字识别任务,具备高准确性和快速响应的特点。该模型预训练于16kHz语音音频,采用Speech Commands数据集,通过Hugging Face的管道实现关键词检测,适应实时设备应用。
dc-ae-f64c128-in-1.0 - 深度压缩自编码器提高高分辨率模型性能
Deep Compression AutoencoderGithubHuggingface图像生成开源项目模型残差自编码训练加速高分辨率扩散模型
DC-AE凭借残差自编码和分阶段训练策略提升了高空间压缩率自编码器的重建精度,不仅在高分辨率扩散模型中实现了高效运行,还保持了优越的性能表现。在ImageNet 512x512测试中,DC-AE比传统SD-VAE-f8自编码器提高了19.1倍的推理速度和17.9倍的训练速度。
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