BS-RoFormer

先进音乐源分离技术的开源实现

音乐源分离 BS-RoFormer 人工智能深度学习音频处理 Github 开源项目

BS-RoFormer是一个开源的音乐源分离项目，实现了先进的注意力网络技术。该项目采用跨频率和时间的轴向注意力以及旋转位置编码，显著提高了分离效果。支持立体声训练和多声部输出，为音乐处理领域带来新的可能。项目提供了详细的使用说明和应用案例，适合研究者和开发者使用。

文档

GroupMixFormer - 视觉Transformer的群组混合注意力革新

GithubGroupMixFormer图像分类开源项目自注意力机制视觉Transformer计算机视觉

GroupMixFormer是一种创新的视觉Transformer模型,引入群组混合注意力(GMA)机制来增强传统自注意力。GMA可同时捕捉不同尺度的token和群组相关性,显著提升模型表征能力。在多项计算机视觉任务中,GroupMixFormer以较少参数实现了领先性能。其中GroupMixFormer-L在ImageNet-1K分类上达到86.2% Top-1准确率,GroupMixFormer-B在ADE20K分割上获得51.2% mIoU,展现出强大潜力。

MelNet - MelNet音频频域生成模型的全面实现

GithubMelNetPythonTTS合成开源项目条件生成音频生成

MelNet项目提供了一个在音频频域中生成模型的实现，支持无条件与条件音频生成。该技术兼容多个数据集，包括Blizzard和VoxCeleb2，支持灵活的训练配置，同时实现多GPU训练与TTS合成，不断更新以支持更多音频处理功能。它为致力于音频生成技术研究的开发者和研究人员提供了有力工具。

riffusion-model-v1 - 基于稳定扩散的实时音乐生成模型

GithubHuggingfaceRiffusion人工智能开源项目机器学习模型音乐生成音频处理

Riffusion是一个基于稳定扩散技术的文本到音频模型，能够生成音频频谱图并转换为实时音乐。该模型通过微调Stable Diffusion v1.5实现，可根据文本提示生成和修改频谱图像。Riffusion主要应用于音乐创作、教育工具和生成模型研究。项目提供开源代码、模型文件和Web应用程序，使用户能够直接体验实时音乐生成。该开源项目包含完整的模型文件、推理代码和种子图像库，为研究人员和开发者提供了丰富的资源。

discogs-maest-30s-pw-129e - 基于Transformer架构的音乐音频分析模型

GithubHuggingfaceMAESTPASST开源项目模型音乐分析音乐风格分类音频分类

本项目使用基于Transformer架构的MAEST模型进行音乐分析，利用来自Discogs的公开元数据进行多达400种音乐风格的分类。该模型在音频分类、情感识别等方面表现突出，尤其在中间层的特征提取中效果显著。适用于音频分类任务的用户，非一般音频分类使用。在Essentia和Transformers库的支持下，用户可以实现高效模型推断和下游任务性能提升。

mask2former-swin-tiny-coco-instance - Mask2Former模型：统一处理实例、语义和全景图像分割

GithubHuggingfaceMask2Former图像分割实例分割开源项目模型深度学习计算机视觉

Mask2Former是一个先进的图像分割模型，基于Swin骨干网络在COCO数据集上训练。它采用统一的方法处理实例、语义和全景分割任务，通过预测掩码和标签来完成分割。该模型引入多尺度可变形注意力Transformer和掩码注意力Transformer解码器，在性能和效率上超越了先前的MaskFormer模型。Mask2Former提供了简单的使用方法和代码示例，方便研究人员和开发者在图像分割领域进行应用和研究。

mask2former-swin-large-cityscapes-semantic - Mask2Former大型语义分割模型适用多种图像分割任务

GithubHuggingfaceMask2Former图像分割开源项目模型深度学习计算机视觉语义分割

Mask2Former是一款先进的语义分割模型，基于Swin骨干网络在Cityscapes数据集上训练。该模型采用统一的掩码预测方法，可同时处理实例、语义和全景分割任务。通过引入多尺度可变形注意力Transformer和带掩码注意力的Transformer解码器，Mask2Former在性能和效率上均超越了先前的最佳模型。它为研究人员和开发者提供了一个强大的工具，可用于各种图像分割应用。

dasp-pytorch - 基于PyTorch的可微分音频信号处理器库

GithubPyTorch信号处理开源项目深度学习神经网络音频处理

dasp-pytorch是一个基于PyTorch的可微分音频信号处理库。它实现了混响、失真、动态范围处理、均衡和立体声处理等功能，可用于虚拟模拟建模、参数估计、自动DSP和风格迁移。该库支持CPU和GPU批处理，有助于加速训练和优化性能。作为开源项目，dasp-pytorch在Apache 2.0许可下可免费用于学术和商业目的。

speaker-diarization-3.1 - 提升语音处理的开源说话人分区技术

GithubHuggingfacepyannote开源项目模型深度学习语音识别说话人分离音频处理

该开源语音分区模型应用了纯PyTorch，替换了存在问题的onnxruntime，以简化部署流程并可能提高推断效率。此工具接受16kHz的单声道音频输入，能够自动混合多声道音频为单声道，并支持音频的自动重采样。其高效性能允许在CPU或GPU上运行，同时支持从内存加载音频以加快处理速度。

larger_clap_music_and_speech - 专为音乐和语音优化的CLAP音频-文本对比学习模型

CLAPGithubHuggingface开源项目机器学习模型神经网络语音处理音频分类

larger_clap_music_and_speech是一个针对音乐和语音优化的CLAP模型。它结合SWINTransformer和RoBERTa处理音频和文本特征，实现潜在空间的特征映射。该模型支持零样本音频分类和特征提取，可在CPU和GPU上运行。作为音频理解和分析的有力工具，它在音乐识别和语音处理等领域具有广泛应用前景。

reverb-asr - 基于大规模人工标注数据的开源语音识别模型

GithubHuggingfaceReverb ASR人工智能开源项目模型自动语音转录语音处理语音识别

这是一个基于20万小时人工标注语音数据训练的开源语音识别系统。采用CTC/attention联合架构，同时支持CPU和GPU部署。系统的特色在于通过verbatimicity参数实现对转录详细程度的精确控制，可输出从简洁到完整逐字的多种转录风格。支持attention、CTC等多种解码方式，适合不同应用场景。

相关项目

推荐项目

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。

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。

白日梦AI

白日梦AI提供专注于AI视频生成的多样化功能，包括文生视频、动态画面和形象生成等，帮助用户快速上手，创造专业级内容。

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。

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。

讯飞绘镜

讯飞绘镜是一个支持从创意到完整视频创作的智能平台，用户可以快速生成视频素材并创作独特的音乐视频和故事。平台提供多样化的主题和精选作品，帮助用户探索创意灵感。

讯飞文书

讯飞文书依托讯飞星火大模型，为文书写作者提供从素材筹备到稿件撰写及审稿的全程支持。通过录音智记和以稿写稿等功能，满足事务性工作的高频需求，帮助撰稿人节省精力，提高效率，优化工作与生活。

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。

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