Project Icon

parakeet-ctc-1.1b

高效自动语音识别模型,快速完成语音转录

parakeet-ctc-1.1b是由NVIDIA NeMo和Suno.ai团队开发的ASR模型,采用FastConformer架构,参数量约11亿。该模型适用于16kHz单声道音频,可以转录语音为小写英文。经过多数据集测试,字错率表现优异,如LibriSpeech clean数据集WER为1.83。利用NVIDIA NeMo工具包,该模型可用于推理或微调,适合多领域音频转录。

wav2vec2-large-960h-lv60-self - Wav2Vec2大规模语音识别模型实现低词错误率
GithubHuggingfaceLibriSpeechWav2Vec2开源项目模型模型评估自训练语音识别
Wav2Vec2-large-960h-lv60-self是一个基于Wav2Vec2技术的大规模语音识别模型。该模型在960小时的Libri-Light和Librispeech数据集上进行预训练和微调,采用自训练方法。在LibriSpeech清晰测试集上,模型实现1.9%的词错误率,其他测试集上为3.9%。模型可直接用于音频转录,特别适合标记数据有限的语音识别任务。
nb-whisper-small - 先进的挪威语自动语音识别开源项目
GithubHuggingfaceNB-Whisper开源项目挪威语模型模型训练自动语音识别语音识别
NB-Whisper Small是挪威国家图书馆开发的挪威语自动语音识别模型。基于OpenAI的Whisper架构,该模型使用66,000小时的语音数据训练,支持挪威语和英语的转录与翻译。通过Hugging Face Transformers库可轻松调用,提供高精度转录、时间戳和说话人分离等功能,适用于多种语音识别场景。
audio-flamingo - 新型音频语言模型实现音频理解和多轮对话
Audio FlamingoGithubfew-shot学习对话能力开源项目语言模型音频理解
Audio Flamingo是一种创新音频语言模型,具备音频理解、快速任务适应和多轮对话能力。通过优化训练技术、架构设计和数据策略,该模型在多项音频理解任务中创建新基准。项目开源基础模型和对话模型的训练及推理代码。模型权重可从GitHub和HuggingFace获取,仅供非商业用途。
speakerverification_en_titanet_large - NVIDIA TitaNet-Large英语说话人识别模型
GithubHuggingfaceNeMoTitaNet开源项目模型语音识别说话人识别说话人验证
NVIDIA TitaNet-Large是一个专为英语说话人验证和分割设计的深度学习模型。它采用深度可分离1D卷积架构,参数量约23M,能从16kHz单声道音频中提取说话人特征。模型在VoxCeleb1等数据集上表现优异,可通过NVIDIA NeMo工具包进行推理和微调。适用于说话人验证、分割等多种语音识别任务。
bark - 先进的多语言文本转语音和音频生成AI模型
BarkGithubHuggingface人工智能多语言开源项目文本转语音模型音频生成
Bark是Suno开发的基于transformer的文本转音频AI模型,能生成逼真的多语言语音、音乐、背景音和简单音效,还可模拟笑声、叹息等非语言交流。该模型提供预训练检查点供研究使用,输出未经审查。研究人员可通过Transformers或原始Bark库在本地运行,灵活易用。Bark代表了文本转语音技术的重要进展,为相关研究和应用提供了新的可能性。
wav2vec2-large-lv60 - 深度学习实现高性能语音识别 仅需少量标记数据
GithubHuggingfaceWav2Vec2开源项目模型深度学习语音识别语音预训练音频处理
Wav2Vec2是Facebook开发的语音预训练模型,通过无监督学习从原始音频中提取语音特征。该模型在大规模未标注数据上预训练后,能够以极少量的标注数据实现高性能语音识别。在LibriSpeech测试集上,全量标注数据训练可达1.8/3.3词错率;仅用1小时标注数据即超过先前100小时数据的最佳结果;10分钟标注数据也能实现4.8/8.2词错率。Wav2Vec2为低资源环境下的高质量语音识别提供了新的可能性。
CTranslate2 - 高效的Transformer模型推理库,提供多种性能优化方案
CTranslate2Github并行执行开源项目性能优化模型压缩转换器模型
CTranslate2是一个用于Transformer模型高效推理的C++和Python库,通过权重量化、层融合、批次重排序等技术,显著提升CPU和GPU上的执行速度并减少内存占用。支持多种模型类型,包括编码器-解码器、仅解码器和仅编码器模型,兼容OpenNMT-py、OpenNMT-tf、Fairseq等框架。其主要特点包括自动CPU检测、代码分发、并行和异步执行以及动态内存使用。
dc_tts - 基于深度卷积网络的高效文本到语音转换模型
DC-TTSGithubTensorFlow开源项目文本转语音训练模型语音样本
dc_tts,一个基于TensorFlow的文本到语音转换模型,使用深度卷积网络和引导注意力机制进行设计。项目不仅还原了相关学术论文,还对不同声音数据进行了深入研究,支持多种语言和数据集,提供完善的训练及预处理教程以及预训练模型,适用于学术研究和实际应用场景。
sherpa-ncnn - 轻量级多平台实时语音识别工具
AndroidGithubsherpa-ncnn多平台实时开源项目语音识别
sherpa-ncnn 是一个开源的实时语音识别项目,支持 Linux、macOS、Windows 及嵌入式设备。基于 ncnn 框架开发,无需依赖 PyTorch,具有轻量化和高效性特点。项目提供详细文档、演示视频和 Android 应用开发指南。支持多语言识别和背景噪音处理,适用于各种语音识别应用场景。
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