Project Icon

diart

Python实时音频处理框架 支持说话人分离和语音活动检测

diart是一个开源的Python实时音频处理框架,专注于AI驱动的音频应用开发。其核心功能包括实时说话人分离、语音活动检测和增量聚类。该框架集成了说话人分段和嵌入模型,支持自定义AI流程、基准测试和超参数优化。diart还提供WebSocket接口,方便进行Web服务部署。

AudioLDM2 - 多功能文本到音频生成开源项目
AudioLDM 2Github人工智能开源项目文本生成音频深度学习音频合成
AudioLDM2是一个开源的文本到音频生成项目,支持创建音效、音乐和语音。该模型能生成超过10秒的音频,输出高达48kHz的高保真音频,并与Hugging Face Diffusers库集成。AudioLDM2提供多个预训练检查点,适用于不同生成任务,支持CPU、CUDA和MPS设备。用户可通过命令行或Web应用程序使用,提供灵活的音频生成选项。项目还包括随机种子调整功能,可优化不同硬件上的性能表现。支持批量生成和自动质量控制,允许用户生成多个候选音频并选择最佳结果。此外,项目提供了详细的使用说明和参数设置选项,方便用户根据需求调整生成过程。
Tensor.Art - 在线AI模型分享及图像生成社区
AI图像生成AI工具ComfyUIStable DiffusionTensor.Art工作流
Tensor.Art是一个AI模型共享与图像生成社区,用户可以在线运行模型生成图像并训练自定义模型。平台支持上传下载Checkpoint、Embedding、ControlNet、LoRA等多种模型,并提供Stable Diffusion 1.5、SDXL、Hunyuan-DiT等基础模型。集成多种AI工具,为创作者提供丰富的AI创作体验。
SenseVoice - 高效、多语种语音识别与情绪识别技术平台
GithubSenseVoice多语言语音识别开源项目情绪识别推理效率热门音频事件检测
SenseVoice是一款支持多语言的语音解析模型,整合了自动语音识别、语种识别、情绪识别及音频事件检测功能。该项目采用非自回归端到端框架,可在超过50种语言上提供精准的语音识别服务,大幅降低了推理延迟,提供方便的微调脚本和多语种细粒度情绪分析,支持多种客户端语言和服务部署,适用于多种商业场景。
LiveWhisper - 基于Whisper模型的实时语音转录和语音助手
GithubLiveWhisperWhisper开源项目录音转录语音命令助手语音激活
LiveWhisper项目利用OpenAI的Whisper模型,通过sounddevice库采集声音,实现句子到句子的实时语音转录。该项目可以在一定条件下替代SpeechRecognition工具。它还包括一个语音命令助手,类似于Siri和Alexa,能够执行多种语音命令,如查询天气、时间、讲笑话及执行Wikipedia搜索等。适用于技术爱好者和开发人员,帮助实现高效的语音交互系统。
FastDiff - 高效生成高保真语音的快速条件扩散模型
FastDiffGithubPyTorch开源项目条件扩散模型语音合成高保真语音合成
FastDiff项目实现了一种高效生成高保真语音的条件扩散模型。该项目在GitHub上提供了开源实现和预训练模型,支持包括LJSpeech、LibriTTS和VCTK在内的多种数据集。适用于语音合成和神经语音编解码等任务,并支持多GPU并行训练。项目还提供了详细的推理和训练指南,以及预处理工具和训练配置示例。FastDiff代码参考了NATSpeech和Tacotron2等项目,广泛适用于研究和实际应用。
aiavatarkit - 快速构建智能对话虚拟形象的开源工具
AIAvatarKitAI对话Github多平台支持开源项目虚拟形象语音交互
AIAvatarKit是一个开源工具包,专为快速开发智能对话虚拟形象而设计。该工具支持在VRChat、cluster等元宇宙平台和现实设备上运行,提供高度可扩展性和便捷的使用体验。AIAvatarKit集成了语音识别、自然语言处理和语音合成等技术,使开发者能够创建交互式虚拟角色,实现多样化的应用场景。
Voice-Cloning-App - 声音克隆技术应用:从自动合成到多语言支持
GithubPytorchVoice Cloning App人工智能开源项目数据集语音克隆
Voice-Cloning-App,一个基于Python/Pytorch的高效工具,使用户能在多个平台上进行人声合成和训练。特点包括支持多GPU使用、自动化数据集创建、多语言支持及系统的远程训练功能。即将支持更多语音合成技术和GPU型号,优化数据处理效率。
DeepFilterNet - 用于全频段音频(48kHz)的低复杂度语音增强框架
DeepFilterNetGithub全带宽音频实时处理开源项目语音增强降噪
DeepFilterNet是一个低复杂度的全频段音频(48kHz)实时语音增强框架,支持Linux、MacOS和Windows。该项目包含用于数据加载和增强的Rust代码模块,以及Python接口和预训练模型。它还支持LADSPA插件,用于实时噪声抑制,并提供详细的安装和使用指南,适用于终端命令行、Python脚本和深度学习模型训练等多种应用场景。
speech_course - 全面语音处理技术课程,从信号处理到人工智能应用
GithubYSDA开源项目数字信号处理语音合成语音处理语音识别
这门课程全面涵盖语音处理技术,从数字信号处理基础到先进的语音识别和合成方法。内容包括声音活动检测、语音事件识别、关键词检测、语音生物识别等,并延伸至深度学习在语音领域的应用。课程采用讲座、研讨会和实践作业相结合的方式,辅以详细的幻灯片和视频资料,旨在帮助学习者掌握现代语音处理的理论知识和实际技能。
silero-vad - 企业级预训练语音活动检测工具,适用于多种平台
GithubPyTorchSilero VAD声学模型开源项目语音活动检测音频处理
Silero VAD 是一种企业级预训练语音活动检测工具,具备高精确度和快速处理能力。支持多种采样率、体积小巧,适用于 IoT、移动设备和电信应用。通过 PyTorch 和 ONNX 实现高度便携,无需注册或密钥,易于集成和广泛使用。
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