Logo
Project Icon

sherpa

基于PyTorch的开源E2E语音识别框架 支持C++和Python

语音识别深度学习开源框架PyTorch端到端模型Github开源项目

sherpa是基于PyTorch的开源E2E语音识别框架，专注于转录器和CTC模型。提供C++和Python API，适用于部署预训练模型进行语音转写。此外，sherpa-onnx和sherpa-ncnn等相关项目支持iOS、Android和嵌入式系统，无需依赖PyTorch。用户可通过浏览器直接体验sherpa的语音识别功能。

GithubGithubHuggingfaceHuggingface文档文档
介绍相关项目
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。
whispercpp - Python绑定实现高效语音识别
GithubPybind11Python绑定whisper.cppwhispercpp开源项目语音转文字
whispercpp是一个基于Pybind11的whisper.cpp Python绑定库，为开发者提供高效的语音识别功能。该库支持快速加载预训练模型、转录音频文件，并具有实验性的流式转录功能。whispercpp提供简洁的API接口，方便快速集成whisper.cpp的功能。它还遵循XDG Base Directory规范，确保合理的文件管理。这个项目为Python开发者提供了便捷的方式来使用whisper.cpp的强大语音识别能力。
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。
RuntimeSpeechRecognizer - 基于OpenAI的Whisper的语音识别项目
GithubOpenAI's WhisperRuntime Speech RecognizerUnreal Engine开源项目语音识别高性能
RuntimeSpeechRecognizer是一个高效的语音识别项目，基于OpenAI的Whisper技术，提供快速且准确的识别。支持英语和多语言（多达100种语言），提供从75 MB到2.9 GB多种模型尺寸。自动下载语言模型，支持将识别的语音翻译成英语，特性可定制，无需静态库或外部依赖，兼容多个平台（Windows、Mac、Linux、Android、iOS等）。
tacotron - 端到端文本转语音合成模型实现
GithubTacotronTensorFlow开源项目文本到语音训练数据集语音合成
基于TensorFlow的Tacotron模型，是一个全面的端对端文本转语音合成系统。该模型涵盖多种数据集，运用现代深度学习与注意力机制优化文本到语音的高质量转换，适用于学术研究与商业应用。
lhotse - Python语音数据处理库 支持灵活高效操作
GithubLhotsePyTorch开源项目数据准备语音处理音频处理
Lhotse是一个开源Python库，为语音和音频数据处理提供灵活易用的解决方案。它具备标准数据准备流程、PyTorch数据集接口、高效I/O处理和存储优化等功能。Lhotse创新性地引入音频切片概念，实现混音、截断和填充等操作，并支持预计算和实时特征提取。作为新一代Kaldi语音处理库的组成部分，Lhotse与k2库协同工作，为语音处理任务提供全面支持。
espnet_onnx - 轻量级语音识别和合成库 基于ONNX格式优化
GithubONNXespnet_onnx开源项目模型导出语音合成语音识别
espnet_onnx是一个将ESPnet模型导出为ONNX格式的实用库，支持语音识别和语音合成任务。该库提供简洁的API接口，便于模型导出和推理。通过ONNX Runtime实现高效的CPU和GPU计算，并支持流式语音识别。用户可从预训练或自定义模型中轻松导出，并进行优化和量化以提升性能。无需PyTorch依赖，适合轻量级部署。
voicebox-pytorch - 新一代MetaAI文本到语音模型Voicebox的Pytorch实现
GithubMetaAIPytorchSpear-TTSText-to-SpeechVoicebox开源项目
该项目实现了MetaAI的最新文本到语音模型Voicebox，利用旋转嵌入和自适应归一化技术提升模型效果。还融合了SpearTTS和Conditioned Flow Matching等技术，提高训练和采样效率。项目获得Imminent Grant资助，致力于推动开源文本到语音技术的发展，并感谢各大赞助商的支持。用户可以通过pip install命令轻松安装和使用该项目。
stt - 高效离线本地语音识别工具，基于fast-whisper模型，支持多种输出格式
CUDA加速Githubfast-whisper开源项目文本输出本地部署热门语音识别
这款语音识别工具可在本地离线运行，基于开源的fast-whisper模型，可将视频和音频中的人声快速转换为文字。支持输出json、srt及纯文本格式，无需联网，确保隐私安全，与openai语音识别接口准确率相当。用户可便捷下载预编译版本，或自行部署源码，支持多种操作系统。此外，还提供API接口，适合开发者使用。支持CUDA加速，优化处理速度。
PaddleSpeech - 全面的开源语音处理工具集，涵盖语音识别、语音合成、说话人验证等多项功能
GithubPaddleSpeech声纹识别开源项目文本转语音热门语音合成语音识别
PaddleSpeech是基于PaddlePaddle平台的开源语音处理工具集，覆盖自动语音识别、文本转语音合成、说话人确认及声音分类等多项功能，提供易于使用、高效和灵活的模型，支持各类语音相关任务。工具集包含全流程服务，支持流式识别与合成系统，为研究和工业应用提供强大支持。
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