Logo
Project Icon

3D-Speaker

开源多模态说话人识别与验证工具包

说话人验证开源工具包3D-Speaker预训练模型ModelScopeGithub开源项目

3D-Speaker是一个开源的单模态和多模态说话人验证、识别和分离工具包。它提供ERes2Net、CAM++等预训练模型，适用于多种说话人相关任务。该项目发布的大规模语音数据集3D-Speaker有助于语音表示解耦研究。3D-Speaker支持有监督和自监督训练，以及语言识别等多种实验设置，为研究人员提供全面的说话人技术解决方案。

访问官网访问官网GithubGithub论文论文
介绍相关项目
speech_course - 全面语音处理技术课程，从信号处理到人工智能应用
GithubYSDA开源项目数字信号处理语音合成语音处理语音识别
这门课程全面涵盖语音处理技术，从数字信号处理基础到先进的语音识别和合成方法。内容包括声音活动检测、语音事件识别、关键词检测、语音生物识别等，并延伸至深度学习在语音领域的应用。课程采用讲座、研讨会和实践作业相结合的方式，辅以详细的幻灯片和视频资料，旨在帮助学习者掌握现代语音处理的理论知识和实际技能。
EchoMimic - 音频驱动的逼真人像动画系统 支持关键点编辑
AI模型EchoMimicGithub关键点条件开源项目肖像动画音频驱动
EchoMimic是一个音频驱动的人像动画系统，通过编辑关键点来控制动画效果。系统支持英语和中文音频输入，可生成自然的口型、表情和头部动作。项目开源了推理代码和预训练模型，可用于生成高质量的说话头视频，适用于虚拟主播等应用场景。
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。
sound_dataset_tools2 - 多功能语音数据集制作工具
GUI界面GithubVITSsound_dataset_tools2开源项目语音数据集音频处理
sound_dataset_tools2是一款语音数据集制作工具。它具有GUI界面，支持音频+字幕和纯音频自动切割两种数据导入方式。该工具优化音频切割效果，减少断音问题，可导出符合VITS等项目要求的数据集格式。它还包含语音评测功能，有助于从大量数据中筛选出高质量数据集。此工具适用于需要创建语音数据集的研究人员和爱好者。
MuseTalk - 音频驱动的实时高质量唇形同步模型
AI虚拟人GithubMuseTalk实时唇形同步开源项目潜在空间修复音频驱动
MuseTalk是一款实时高质量的音频驱动唇形同步模型,可在NVIDIA Tesla V100上以30fps+的速度运行。该模型能根据输入音频修改未见过的人脸,支持多种语言,并可调整面部区域中心点来影响生成效果。MuseTalk在HDTF数据集上训练,可与MuseV等虚拟人技术结合,为生成具全身动作和交互能力的虚拟人奠定基础。
SyncTalk - 同步技术驱动的高质量说话头像合成
CVPRGithubSyncTalk人工智能头像合成开源项目计算机视觉
SyncTalk项目通过三平面哈希表示法实现高度同步的说话头像视频合成。该技术生成同步的唇部运动、面部表情和稳定的头部姿势，同时还原发型细节，创造高分辨率视频。在保持人物身份的同时，项目显著提升了说话头像的自然度和真实感。
mandarin-tts - 模块化的中文文本到语音合成框架
AI绘图Githubgithubmandarin-ttsvocoder开源项目语音合成
mandarin-tts是一个模块化的中文文本到语音合成框架，适用于加速科研和产品开发。它的主要特点包括模块化配置、多样的声码器支持以及丰富的嵌入选项，如说话人、韵律和文本嵌入。此外，该框架还支持预测语音的持续时间、音调和能量变化，通过开源合作进一步拓展其功能。框架提供多数据集的音频样本和预训练模型，方便用户使用和进一步开发。此外通过正确使用专有名词，如YAML配置文件，并加入客观描述，提供高效的开发工具给研究人员和开发者。
TalkingHead - 实时3D虚拟人物交互与唇形同步系统
3D头像GithubTalkingHeadWebGL唇形同步实时对话开源项目
TalkingHead是一个开源的JavaScript类，用于创建具有实时语音和唇形同步功能的3D虚拟形象。该系统集成了Ready Player Me全身3D头像和Mixamo动画，并支持字幕显示。借助Google Cloud TTS实现文本转语音，TalkingHead还提供英语、芬兰语和立陶宛语的内置唇形同步。通过ThreeJS/WebGL进行3D渲染，开发者可以将其轻松集成到各种网页应用中。
seed-tts-eval - 零样本语音生成评估数据集与度量工具
AI安全GithubTTS开源项目测试集评估指标语音合成
seed-tts-eval是一个开源项目，提供评估零样本语音生成能力的客观测试集。该测试集包含英语和中文公开语料库样本，并配备计算词错误率和说话人相似度的脚本。这套工具主要用于评估语音合成模型在跨语言和零样本场景下的性能。项目采用Common Voice和DiDiSpeech-2数据集，包含3000个测试样本。评估指标包括使用Whisper和Paraformer模型的词错误率，以及基于WavLM的说话人相似度。这些工具有助于客观评估语音合成技术的进展。
inaSpeechSegmenter - CNN音频分割工具包实现语音检测与性别识别
Github开源工具开源项目性别识别机器学习语音分割音频处理
inaSpeechSegmenter是一个基于CNN的开源音频分割工具包，主要用于语音活动检测和说话人性别分割。该工具能将音频分为语音、音乐和噪音区域，并对语音部分进行男女性别标注。在法语媒体测试中表现出色，已应用于多项性别代表性研究。兼容Python 3.7到3.12版本，提供命令行和API接口，支持pip安装和Docker部署。
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