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

mit-b4 - 使用SegFormer预训练模型提升语义分割效率

GithubHugging FaceHuggingfaceImageNetSegFormerTransformer开源项目模型语义分割

此项目提供SegFormer的b4-sized预训练模型，具有分层Transformer和轻量级MLP解码头，在ADE20K和Cityscapes等基准上展现出色性能。经过ImageNet-1k预训练的SegFormer可用于下游任务微调，满足多种应用需求。用户可在[模型库](https://huggingface.co/models?other=segformer)中根据任务需求选择合适版本，优化图像分割效果。

whisper-diarization - 基于OpenAI Whisper的音频转录和说话人分离工具

GithubOpenAI WhisperSpeaker Diarization开源项目语音识别说话人分类音频处理

whisper-diarization项目整合了OpenAI Whisper的语音识别技术和先进的说话人分离方法。该工具首先进行人声提取，然后利用Whisper生成转录文本，并通过WhisperX优化时间戳。结合MarbleNet和TitaNet等技术，它能够准确识别多个说话人，最终输出包含说话人标识的精确转录结果。这一开源解决方案特别适合需要处理多人对话音频的场景，为音频转录和分析提供了强大支持。

maskformer-swin-base-ade - 语义分割的新方法——MaskFormer的应用

GithubHugging FaceHuggingfaceMaskFormer图像分割开源项目模型深度学习语义分割

MaskFormer采用Swin骨干网络与ADE20k数据集，在语义分割中表现出色。该模型通过预测掩模和标签统一地解决实例、语义及全景分割任务，可通过Hugging Face平台上的预训练模型来深入研究其应用。

bigvgan_v2_24khz_100band_256x - 大规模训练的通用神经声码器

BigVGANGithubGradioHuggingfacePyTorch开源项目模型神经声码器音频合成

该项目通过大规模训练为神经声码器领域带来了新的发展。其自定义的CUDA内核实现了1.5至3倍的推理速度提升，满足高效应用需求。利用多尺度的子频段判别器和梅尔谱损失进行训练，适应多种音频环境，涵盖多语言语音和环境音等。项目还集成至Hugging Face Hub，提供预训练模型和交互式演示，支持最高24 kHz的采样率和多种频段配置，为语音合成领域的研究者和开发者提供便利。

Music AI - 先进的音频AI平台助力音乐和声音技术创新

AI工具AI音频模型开发工具隐私安全音乐处理音频智能平台

Music AI平台为音频和音乐领域提供先进的AI模型和工具。该平台集成了50多个AI模块，支持自定义工作流，并提供用户友好的界面和API。Music AI注重数据安全和隐私保护，将AI视为创意过程的辅助工具。平台已处理超10亿分钟音频，日均处理210万分钟，服务4800万用户，成为音频技术创新的重要基础设施。

Fadr - 在线AI音乐创作和编辑工具集

AI工具AI技术Fadr音乐创作音乐工具音频处理

Fadr是一款先进的在线AI音乐创作平台，集成多种专业工具如人声分离、歌曲拆分、音调节奏检测和混音制作。适用于DJ软件爱好者、音乐创作者和专业人士，提供Basic免费计划和Plus高级服务。用户可上传歌曲进行Stem分离和创新编辑，利用AI技术增强音乐创意。Fadr致力于为各级音乐爱好者提供便捷的在线音乐创作和歌曲混音环境，助力音乐创作的数字化革新。

actionformer_release - 基于Transformer的高精度动作时刻定位模型

ActionFormerActivityNetGithubTHUMOS14Transformer开源项目时序动作定位

actionformer_release是一个基于Transformer的动作定位模型，能够检测动作实例的起止点并识别动作类别。在THUMOS14数据集上，该模型取得了71.0%的mAP，超越之前的最佳模型14.1个百分点，并首次突破60%的mAP。此外，该模型在ActivityNet 1.3和EPIC-Kitchens 100数据集上也取得了优异成绩。该项目设计简洁，通过局部自注意力机制对未剪辑视频进行时间上下文建模，并可一次性精确定位动作时刻。代码和预训练模型已开源，可供下载和试用。

ETSformer-pytorch - 基于PyTorch的先进时间序列Transformer模型

ETSformerGithubPytorchTransformer开源项目指数平滑时间序列预测

ETSformer-pytorch是一个开源的时间序列分析工具，基于PyTorch实现了先进的Transformer模型。该项目集成了多头指数平滑注意力机制和频率选择功能，适用于时间序列预测和分类任务。ETSformer-pytorch提供简单的安装和使用方法，支持灵活的模型配置，并包含专门的分类包装器。这一工具为研究人员和开发者提供了处理复杂时间序列数据的有效解决方案。

mit-b2 - 高效语义分割的简单Transformer设计

GithubHuggingfaceSegFormerTransformer图像分类开源项目机器学习模型语义分割

SegFormer b2是一个在ImageNet-1k上预训练的编码器模型，采用分层Transformer结构。该模型专为语义分割任务设计，结合了简单高效的架构和出色的性能。虽然此版本仅包含预训练的编码器部分，但它为图像分类和语义分割的微调提供了坚实基础。SegFormer的创新设计使其在多个计算机视觉任务中展现出强大潜力。

RAVE - 高效的实时神经音频合成工具

GithubRAVE变分自编码器实时音频处理开源项目神经音频合成高质量音频

RAVE是一个高效的变分自动编码器，专为快速高质量的神经音频合成设计。支持Windows、Mac和Linux平台的RAVE VST版本，可应用于音乐表演和装置。提供详细教程和多种训练配置，包括数据增广选项。用户可以在Max/MSP或PureData中实时使用RAVE进行风格迁移和高层次操控。多个预训练模型可供下载，支持批量音频文件转换和实时嵌入式平台应用。

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