Project Icon

deepvoice3_pytorch

基于卷积网络的文本到语音合成技术

DeepVoice3_pytorch是基于PyTorch的文本到语音深度学习平台,支持多语种和多数据集,包括英语、日语和韩语,适合多个说话者或单个说话者。项目提供预训练模型、音频样本、在线演示及详尽的训练指南,旨在简化用户的使用过程,并能灵活定制个性化的语音合成应用。

parler-tts-large-v1 - 开源大规模语音合成模型支持自然语言控制和多人声定制
GithubHuggingfaceParler TTS人工智能开源项目模型自然语言处理语音合成音频生成
Parler-TTS Large v1是一个基于22亿参数、45K小时音频数据训练的文本转语音模型。通过文本提示可控制语音的性别、噪音、语速等特征,内置34个预设发音人。项目开源了完整训练资源和数据处理代码,采用Apache 2.0许可证发布。
audiolm-pytorch - 基于Pytorch的音频生成模型AudioLM
AudioLMEnCodecGithubPytorchSoundStream开源项目音频生成
AudioLM是一个基于Pytorch的音频生成模型,具有T5引导的文本到音频转换功能。该项目还兼容SoundStream和Facebook的EnCodec,并提供了多个音频编码和解码模块。用户可以通过完整的训练和使用流程,包括SoundStream、分层Transformer和基于文本条件的音频合成,来进行音频生成技术的研究和开发。
voice-gender-classifier - ECAPA-TDNN架构驱动的人声性别识别器
ECAPA-TDNNGithubHuggingfacePyTorchVoxCeleb开源项目模型深度学习语音性别分类
该项目利用PyTorch框架,基于ECAPA-TDNN模型构建了一个高性能的人声性别分类器。模型在VoxCeleb1测试集上展现出98.7%的准确率。用户可以方便地从Hugging Face模型库下载使用。repository中包含了完整的安装步骤、代码示例和预训练模型下载链接。开发者同时也指出了可能存在的数据集偏差问题。
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。
speecht5_hifigan - 用于语音合成和声音转换的开源声码器
GithubHiFi-GANHuggingfaceSpeechT5声音转换开源项目文本转语音模型语音处理
SpeechT5 HiFi-GAN是一个专为SpeechT5文本转语音和声音转换模型开发的开源声码器。该项目采用MIT许可证,提供预训练权重,能够与SpeechT5的语音处理功能无缝集成。它为开发者和研究人员在语音合成和声音转换领域提供了实用工具。SpeechT5采用统一模态的编码器-解码器预训练方法,为口语处理技术开辟了新的研究方向。
pyttsx3 - 跨平台Python离线文本转语音库,支持多系统的TTS工具
GithubPython库pyttsx3开源项目文字转语音离线语音合成语音控制
pyttsx3是一款功能丰富的Python文本转语音库,支持离线运行。该库允许调整语音速率、音量,并选择系统内置语音。通过简洁的API,用户可轻松实现文本到语音的转换,还能将语音保存为音频文件。pyttsx3兼容Windows、Mac和Linux等多个平台,适用于各类语音应用开发。
F5-TTS - 提高训练和推理速度的先进文本到语音转换系统
E2 TTSF5-TTSGithub开源项目推理数据集训练
项目F5-TTS利用Diffusion Transformer和ConvNeXt V2技术,显著提升了训练和推理速度。支持生成最长30秒的音频,并通过Sway Sampling技术优化推理性能。用户可以自定义数据集,并使用多GPU和fp16配置加速训练。提供单次推理、语音编辑和批量推理功能,并支持通过Gradio App进行操作。多种测试数据集和评估工具确保模型表现稳定高效。
PaddlePaddle-DeepSpeech - 基于PaddlePaddle的开源中文语音识别系统
DeepSpeech2GithubPaddlePaddle开源项目深度学习端到端ASR语音识别
PaddlePaddle-DeepSpeech是一个基于PaddlePaddle框架的中文语音识别项目。该系统支持自定义数据集训练和多种数据增强方法,适用于多样化场景。项目提供预训练模型,兼容Windows和Linux平台,并支持Nvidia Jetson等开发板推理。系统集成了GUI界面、Web部署和长语音识别功能,为开发者提供完整的语音识别工具链。
s2t-small-librispeech-asr - 小型LibriSpeech语音识别模型的高效自动化
GithubHuggingfaceLibriSpeechSpeech2Texts2t-small-librispeech-asr开源项目模型自动语音识别语音转换文本
s2t-small-librispeech-asr是一种小型端到端语音识别模型,使用LibriSpeech ASR语料库进行训练。该模型采用自回归的方式生成转录文本,并结合Pytorch及其工具如torchaudio和sentencepiece以提高准确性。在LibriSpeech“clean”和“other”测试集上的WER分别为4.3和9.0,可满足高性能语音识别应用的需求。
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

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。

Project Cover

天工AI音乐

天工AI音乐平台支持音乐创作,特别是在国风音乐领域。该平台适合新手DJ和音乐爱好者使用,帮助他们启动音乐创作,增添生活乐趣,同时发现和分享新音乐。

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