Project Icon

crepe

基于深度卷积神经网络的单音音高跟踪器

CREPE是一款基于深度卷积神经网络的单音音高跟踪器,直接处理时域波形输入,性能优于流行的音高跟踪器如pYIN和SWIPE。用户可通过PyPI安装,并利用预训练模型进行音高预测,结果包含时间戳、预测音高和置信度。CREPE支持时间步长调整、模型容量选择和时间序列平滑,适用于人声和乐器音频,并支持批量处理。

pedalboard - 功能强大的Python音频处理和效果器库
GithubPedalboardPython库VST3开源项目音效插件音频处理
Pedalboard是一个功能丰富的Python音频处理库,支持多种音频格式的读写和效果器应用。内置常见音频效果如合唱、混响等,同时支持加载VST3和Audio Unit插件。该库具有优秀的线程安全性、内存管理和处理速度,可与TensorFlow等深度学习框架集成。Pedalboard在Spotify的数据增强和AI功能开发中得到应用,是音频处理领域的高效工具。
stable-audio-metrics - 音频生成模型评估指标集合
GPU支持Githubstable-audio-metrics开源项目数据结构音频指标音频生成模型评估
stable-audio-metrics是一个评估音乐和音频生成模型的开源指标集合。它包含基于Openl3的Fréchet距离、基于PaSST的Kullback-Leibler散度和基于CLAP-LAION的CLAP分数。该项目针对长形式全频带立体声生成进行了优化,支持可变长度输入,并提供了详细文档和示例。适用于评估MusicCaps、AudioCaps和Song Describer等数据集的音频生成质量。
PPASR - 基于PaddlePaddle的开源流式与非流式语音识别框架
GithubPPASRPaddlePaddle开源项目流式识别深度学习语音识别
PPASR是一个开源的中文语音识别框架,基于PaddlePaddle深度学习平台开发。该框架支持流式和非流式识别,集成了conformer、deepspeech2等多种先进模型,并提供集束搜索和贪心解码功能。PPASR可部署于服务器和Nvidia Jetson设备,提供预训练模型和详细文档,旨在实现简单实用的语音识别应用。
audioseal - 创新语音水印技术 提升音频安全性能
AI模型AudioSealGithub开源项目语音水印音频处理
AudioSeal是一种创新的语音水印技术,在音频中嵌入难以察觉的水印,并能快速准确地检测。该技术具有出色的抗篡改能力,可在编辑后的长音频中识别水印片段。AudioSeal实现了高精度的样本级检测,同时保持音质,适用于大规模和实时应用场景。其检测速度比现有方法快近百倍,为音频安全和版权保护提供了强有力的工具。
wespeaker - 深度学习声纹识别开源工具包 支持多模型和应用场景
GithubWeSpeaker开源项目深度学习语音处理说话人嵌入学习说话人验证
WeSpeaker是一个开源的说话人嵌入学习工具包,主要用于说话人验证。它支持在线特征提取和加载预提取的kaldi格式特征,提供ResNet和ECAPA-TDNN等多种预训练模型。WeSpeaker具有命令行和Python编程接口,在VoxCeleb和CNCeleb等数据集上表现出色。此外,它还提供说话人分割功能。这个工具包适用于研究和生产环境,为声纹识别领域提供了有力支持。
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。
voicefixer - 语音恢复解决方案,高效修复各级别的语音退化
GithubVoiceFixer开源项目神经声码器语音修复语音处理预训练模型
Voicefixer,一款基于神经声码器的预训练工具,可处理多种语音退化问题,包括噪音、混响、低分辨率及削波效应。支持44.1kHz的通用神经声码器,适用于各种应用场景,如命令行、桌面客户端及Python脚本。
NeuralNote - 先进音频转MIDI插件 精准转录多功能集成
GithubMIDI转换NeuralNote多音转录开源项目音频插件音频转MIDI
NeuralNote是一款音频到MIDI转换插件,支持多种音调乐器和人声的多音转录。它提供音高弯曲检测、快速转录、参数实时调整和MIDI缩放量化等功能。该插件兼容Windows和macOS平台,可与主流数字音频工作站集成,为音乐制作工作流程提供便利。
ASRT_SpeechRecognition - 中文语音识别系统,支持多平台和多种API接口
ASRTGithubPythonTensorFlow开源项目深度学习语音识别
ASRT是一款基于深度学习的中文语音识别系统,采用TensorFlow框架实现。支持数据集包括Thchs30、ST-CMDS、Primewords、aishell-1等,通过DCNN+CTC模型和最大熵隐马尔可夫模型实现汉字拼音识别。该系统跨平台兼容,提供多种API接口和SDK。适用于Linux和Windows系统,最低硬件要求为4核CPU、16GB RAM和NVIDIA GPU。提供详细的安装、训练、部署文档及Demo,适合开发者和研究人员使用。
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。
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

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。

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

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。

Project Cover

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。

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

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