nnmnkwii

用于快速构建语音合成系统的简易库

Python库 PyTorch Merlin Github 开源项目 nnmnkwii 语音合成

nnmnkwii是一款专为快速构建语音合成系统而设计的库，支持原型设计。该库可通过PyPI安装，并提供稳定版和开发版文档。依赖于PyTorch实现自动求导功能，设计灵感源于Merlin和Librosa，功能强大且灵活。

文档

parakeet-rnnt-1.1b - 高性能英语语音识别模型实现优异音频转文本效果

FastConformerGithubHuggingfaceNeMoTransducer开源项目模型自动语音识别英语语音模型

parakeet-rnnt-1.1b是NVIDIA NeMo和Suno.ai联合开发的英语语音识别模型。基于FastConformer Transducer架构，该模型拥有11亿参数，在64000小时英语语音数据上训练。它能准确将语音转录为小写英文文本，并在多个标准数据集上表现出色。研究人员可通过NeMo工具包使用该模型进行推理或微调，适用于多种语音识别场景。

ZMM-TTS - 零样本多语言多说话人语音合成技术创新

GithubZMM-TTS多语言多说话人开源项目自监督学习语音合成

ZMM-TTS是一个多语言多说话人语音合成框架，基于大规模预训练自监督模型的量化语音表示。该项目首次将文本和语音自监督学习模型的表示应用于多语言语音合成。实验表明，ZMM-TTS在六种高资源语言中，对已知和未知说话人都能生成自然度高、相似度好的语音。即使对缺乏训练数据的新语言，也能合成清晰且与目标说话人相似的音频。

Qwen2-Audio - 大规模音频语言模型支持语音交互和音频理解

GithubQwen2-Audio多语言支持开源项目语音翻译语音识别音频分析

Qwen2-Audio是一款先进的音频语言模型，可处理多种音频输入并执行分析或生成文本响应。该模型提供语音交互和音频分析两种功能，在13项基准测试中展现出色性能，包括语音识别、翻译和情感分析等任务。目前已发布Qwen2-Audio-7B和Qwen2-Audio-7B-Instruct两个版本。

GST-Tacotron - PyTorch实现的自动语音合成与风格控制模型

GST-TacotronGithubPyTorch中文支持多说话人数据集开源项目语音合成

GST-Tacotron是一个基于PyTorch的端到端语音合成系统实现，实现无监督风格建模、控制与转移技术。该项目已增加对Blizzard数据集的支持，同时提供了预训练模型，专门针对中文数据集进行训练。支持简单的命令行操作以训练模型和生成.wav格式的语音文件，方便研究人员和开发者在多说话人数据集上进行语音合成实验。

CosyVoice_For_Windows - 多语言语音合成工具支持零样本和跨语言生成

AI语音CosyVoiceGithub开源项目深度学习自然语言处理语音合成

CosyVoice_For_Windows是一个开源的语音合成项目，支持多语言、零样本和跨语言语音生成。该工具提供SFT、零样本、跨语言和指令推理等多种模式。项目包含Web演示界面，便于快速了解功能。同时还支持高级训练和部署，适用于语音合成的研究和应用开发。

audiomentations - 使用于深度学习的高级音频数据增强库

AudiomentationsGithubPyPIPython开源项目深度学习音频数据增强

Audiomentations是一个用于音频数据增强的Python库，专为提升深度学习模型性能而设计。该库支持单声道和多声道音频，能够集成到Tensorflow/Keras或Pytorch等训练管道中。它已在Kaggle竞赛中帮助用户取得了出色的成绩，并被多家开发下一代音频产品的公司采用。Audiomentations提供了丰富的音频变换功能，如加噪声、时间拉伸、音调变化和移位等，在CPU上运行，同时推荐使用torch-audiomentations以获得GPU支持。

mlc-llm - 通用大语言模型高性能部署引擎

AI模型优化GithubMLC LLMMLCEngine开源项目机器学习编译器高性能部署

MLC LLM是一款用于大语言模型的高性能部署引擎，支持用户在各种平台上开发、优化和部署AI模型。核心组件MLCEngine通过REST服务器、Python、JavaScript、iOS和Android等接口提供OpenAI兼容的API，支持AMD、NVIDIA、Apple和Intel等多种硬件平台。项目持续优化编译器和引擎，与社区共同发展。

openWakeWord - 高效易用的开源语音唤醒词识别库

GithubopenWakeWord唤醒词开源库开源项目模型训练语音识别

openWakeWord是一个开源语音唤醒词库，用于开发语音交互应用和界面。它提供预训练模型，可识别常见词语，适应真实环境。该项目旨在平衡速度、准确性和易用性，采用简单架构，支持高效训练新模型，无需大量手动数据采集。

Amphion - Amphion开源工具集，支持音频、音乐、语音生成及多任务评估

AmphionGithub声码器开源项目文本到语音语音生成音乐生成

Amphion是一个开源的音频、音乐和语音生成工具集，旨在支持可重复的研究并帮助研究人员和工程师入门。提供TTS、SVS、VC、SVC、TTA等生成任务，集成高级语音编码器和评估指标，如F0建模、能量建模、语音相似度测评。功能包括模型可视化、数据集建设及文本到音频/音乐的实现，推动音频生成技术应用。

quillman - 开源的实时语音转录和语言模型对话应用

GithubMetavoice Tortoise TTSModalOpenAI WhisperQuiLLManZephyr开源项目

一个开源项目，提供实时语音转录和自然语音合成的聊天应用，使用Zephyr语言模型和OpenAI Whisper技术。适用于开发和实验自定义语言模型应用，可在Modal平台上无服务器部署。提供在线演示、详细文档和模块化结构，方便本地开发和部署。

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。

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。

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。

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。

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。

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。

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