Project Icon

wavegrad

由Google Brain设计的高效神经声码器

WaveGrad是由Google Brain团队设计的神经声码器,专业于将对数缩放的Mel频谱图转换为波形。此项目提供稳定训练、合成、混合精度训练以及多GPU支持,且支持命令行和API推理接口,配备预训练模型。易于安装,支持通过pip和GitHub进行安装。其多GPU训练和混合精度训练提升了处理效率,适合需进行高效音频处理的开发者。

Retrieval-based-Voice-Conversion-WebUI - 开源AI变声框架 实现实时变声和快速模型训练
GithubWebUI人工智能变声开源项目训练语音转换
Retrieval-based-Voice-Conversion-WebUI是一个基于VITS的开源变声框架。该项目支持实时变声和快速模型训练,只需少量数据即可生成高质量变声模型。框架提供多语言界面和跨平台支持,并配有详细教程。项目采用检索式方法替换输入源特征,有效防止音色泄漏。支持在中低配置GPU上快速训练,并可通过模型融合调整音色。WebUI界面简洁直观,内置UVR5模型便于人声分离。采用InterSpeech2023-RMVPE算法提取音高,性能出色且资源占用低。该框架支持多种硬件加速,适用于不同用户需求,是一个功能丰富且操作简便的AI变声工具。
snac_24khz - 高效低比特率音频压缩的神经编解码器
GithubHuggingfaceSNAC开源项目模型深度学习神经网络编解码器语音合成音频压缩
SNAC是一种先进的多尺度神经音频编解码器,以0.98 kbps的超低比特率压缩24 kHz音频。它采用分层令牌方法,创新地降低了粗糙令牌的采样频率,扩大时间覆盖范围。该模型主要用于语音合成,但也提供适用于音乐和音效的高采样率版本。SNAC支持单声道音频处理,提供多个预训练模型以满足不同需求,是音频压缩和处理领域的重要工具。
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。
glow-tts - 通过单调对齐搜索进行文本转语音的生成流
GithubGlow-TTSHiFi-GAN并行合成开源项目文本转语音模型训练
Glow-TTS,一款创新的文本到语音转换模型,独立完成文本与语音的单调对齐搜索,无需外部辅助。此模型不仅大幅提升合成速度,还支持多样性与可控性,并可适应多说话人环境。更新项包括采用新技术降低噪声并优化发音,使其在速度和音质上优于传统模型。
openai-whisper-realtime - 低延迟实时音频转录,依赖高性能硬件和Python生态
GithubOpenAI WhisperPython依赖项实时转录开源项目音频输入
openai-whisper-realtime是一个几乎实时转录音频的实验项目,使用Python和OpenAI Whisper处理音频。该项目依赖高性能CPU或GPU,使用sounddevice、numpy和asyncio等库。当前目标包括提升转录性能、优化断词检测和动态分割。
wav2vec2-base-960h - Facebook开发的高效语音识别模型
GithubHuggingfaceLibriSpeechWav2Vec2开源项目模型深度学习自然语言处理语音识别
wav2vec2-base-960h是Facebook开发的语音识别模型,基于960小时LibriSpeech数据集训练。在LibriSpeech clean/other测试集上,词错误率分别为3.4%和8.6%。模型可从原始音频学习表征,仅需1小时标记数据即可超越现有方法,展示了低资源语音识别的潜力。
phaseaug - 创新差分增强技术优化语音合成
GithubPhaseAug一对多映射开源项目相位旋转神经声码器语音合成
PhaseAug是一种新型差分增强技术,通过旋转频率区间相位来模拟语音合成的一对多映射关系。这种方法有效缓解了传统GAN语音合成器的过拟合问题,提高了生成音频质量。PhaseAug无需修改模型架构即可超越基准性能,为语音合成领域提供了新的研究方向,有助于提升合成语音的自然度和多样性。
GenerSpeech - 文本转语音模型,可实现 OOD 自定义语音的高保真零样本样式传输
GenerSpeechGithub多GPU支持开源项目文本到语音零样本学习风格转换
GenerSpeech: PyTorch实现的NeurIPS 2022文本到语音模型,专注于无监督出域场景下的高保真样式转换。提供多层级样式转换、优化的模型泛化功能,并支持多GPU环境。完整指南及音频样例可在线获取,助您快速实施和部署。
VoiceFlow-TTS - 结合最新流匹配算法的文本转语音技术
GithubKaldiVoiceFlow开源项目数据准备文本转语音模型训练
VoiceFlow-TTS项目采用先进的矫正流匹配技术,提升了文本到语音转换的效率和自然度。此项目详细介绍了设置环境、准备数据、训练模型以及推理过程,支持多GPU并发处理,兼容多种数据集。
speech-to-text - 实时音频转录系统,兼容多种格式,具备高级配置
GithubNVIDIA GeForce RTX 3060PythonSilero VADfaster-whisper实时转录开源项目
该开源项目使用Silero VAD技术检测静音部分,并结合Faster-Whisper将音频数据转录为文本。支持多种音频格式(如wav、mp3、ogg)和高级设置,如重复惩罚和无重复ngram大小。其HTML界面允许进行详细配置,并能同步显示转录结果,支持CUDA环境运行,兼容最新的Faster-Whisper版本(1.0.3),提升转录速度和准确性。
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