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。

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。
AudioSep - 自然语言驱动的多功能音频分离基础模型
AudioSepGithub开放域声音分离开源项目自然语言查询语音增强音频分离
AudioSep是一个创新的音频分离基础模型,可通过自然语言描述执行多种音频分离任务。该模型在音频事件分离、乐器分离和语音增强等领域展现出卓越的性能和泛化能力。AudioSep支持用户通过文本描述精确分离所需音频内容,为音频处理技术开辟了新的应用方向。
athena - 开源端到端语音处理引擎,推动工业应用与学术研究
AthenaGithub开源项目端到端模型自动语音识别语音合成语音处理
一款基于Tensorflow构建的开源端到端语音处理平台,旨在提升语音处理技术的研究与实际应用。支持自动语音识别、语音合成、关键词检测等多项功能,配备多GPU训练和无Kaldi的Python特征提取,实现了多种模型结构如FastSpeech和Conformer,适用于各类研究和应用需求。该平台在最新更新中加入了FastSpeech2和Conformer-CTC模型以优化处理速度和准确性。
darts - 使用DARTS算法高效设计图像分类和语言建模架构
DARTSGithubPyTorch卷积架构图像分类开源项目语言建模
DARTS算法通过连续松弛和梯度下降,在架构空间中高效设计用于图像分类(CIFAR-10和ImageNet)和语言建模(Penn Treebank和WikiText-2)的高性能卷积和循环架构。只需一块GPU即可运行,提供预训练模型及详细的架构搜索和评估指南,支持自定义架构的可视化。
wordcab-transcribe - 开源语音识别与说话人分离API
APIGithubWordcab Transcribefaster-whisper开源项目语音识别音频转录
Wordcab Transcribe是一个基于FastAPI的开源语音识别API。它使用faster-whisper进行音频转录,自动调谐谱聚类技术实现说话人分离。该项目具有处理速度快、易于部署、支持批量请求等特点,可通过本地开发或Docker部署。API支持音频文件和YouTube视频的转录,适用于商业用途。
JARVIS - 智能语音个人助手
GithubJARVISOpenAI GPT-3PythonWeb接口开源项目语音助手
JARVIS, 一个集成多种技术的语音个人助手,支持通过Web界面将用户的语音输入转换为文本,利用高级自然语言处理技术响应用户,兼容Python 3.8至3.11。
AudioDec - 流式高保真神经音频编解码开源项目
AudioDecGithub开源开源项目流式传输神经音频编解码器高保真
AudioDec项目开发了一种流式高保真神经音频编解码器,可以12.8 kbps的比特率处理48 kHz单声道语音。该编解码器在GPU上解码延迟约6毫秒,CPU上约10毫秒。项目采用两阶段训练方法,利用预训练模型可快速为新应用训练编码器。AudioDec在压缩率、延迟和重建质量方面均表现优异,适用于实时通信等场景。
Aispect - 实时语音转视觉艺术的多语言AI工具
AI工具AI绘图Aispect多语言支持订阅计划语音转图像
Aispect是一个创新的AI平台,可将实时语音转化为视觉艺术。支持30多种语言,适用于演讲、会议等场景。用户可选择不同信用点套餐,按需付费。该工具为活动呈现提供了新颖的方式,使内容更具吸引力。Aispect平台利用AI技术将实时语音转换为视觉艺术作品,为内容呈现带来全新体验,增强活动的视觉吸引力。
spear-tts-pytorch - Pytorch实现的多说话人文本转语音模型
GithubPyTorchSpear-TTS多说话人开源项目文本转语音注意力网络
Spear-TTS是一个基于Pytorch的多说话人文本转语音模型。该项目实现了高效的文本到语义转换,可用于SoundStorm项目的条件控制。Spear-TTS支持最小监督下的高保真语音合成,集成闪速注意力和推测性解码等技术,为TTS研究和开发提供了有力工具。
AniPortrait - 基于音频的高质量肖像动画生成框架
AniPortraitGithub人像动画人工智能图像合成开源项目音频驱动
AniPortrait是一个基于音频和参考肖像图像生成高质量动画的开源框架。该项目支持自驱动、面部重演和音频驱动三种模式,可生成逼真的肖像动画。项目开源了预训练模型,并提供了详细的安装指南、推理命令和训练流程。AniPortrait为数字内容创作者提供了一种制作生动肖像动画的新方法,拓展了视觉内容创作的可能性。
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。

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