silero-models

提供预训练的企业级语音识别和合成模型

Silero Models 语音识别文本转语音 PyTorch ONNX Github 开源项目

silero-models展示高质量预训练语音识别与合成模型，提供简化的企业级语音技术解决方案，性能匹敌谷歌STT。模型即用、支持多语言、语音合成自然，将企业和开发者的部署流程简化至极致。

文档

soundstorm-pytorch - 基于PyTorch的高效并行音频生成模型

GithubPytorchSoundStorm人工智能开源项目深度学习音频生成

SoundStorm是Google DeepMind开发的高效并行音频生成模型，本项目提供其PyTorch实现。该模型将MaskGiT技术应用于Soundstream的残差向量量化编码，采用Conformer架构。项目包含完整的训练和生成代码，支持原始音频处理和文本到语音转换。此实现整合了多个相关模型，旨在促进前沿语音合成技术的应用与研究。

Whisper-Finetune - 语音识别模型的高效微调与加速

GithubWhisper中文识别加速推理开源项目模型微调语音识别

Whisper-Finetune项目致力于优化OpenAI的Whisper语音识别模型。该项目采用Lora技术进行微调，支持多种数据类型的训练，并通过CTranslate2和GGML实现加速推理。此外，项目提供了跨平台应用和服务器部署方案，为语音识别应用开发提供了全面支持。

wav2vec2-large-xlsr-53-chinese-zh-cn - 中文自动语音识别模型提供广泛应用支持

Common VoiceGithubHuggingSoundHuggingfaceXLSR Wav2Vec2开源项目模型语音识别语音转录

该模型基于Common Voice、CSS10和ST-CMDS数据集，对facebook的wav2vec2-large-xlsr-53进行了微调，以实现中文自动语音识别。模型能够处理16kHz采样率的语音输入，可通过HuggingSound库直接进行语音转录或使用定制推理脚本。评估结果显示，模型在Common Voice测试数据集上WER为82.37%，CER为19.03%。感谢OVHcloud提供的GPU支持，该模型适用于医药、教育等领域语音数据处理。

GPT-SoVITS-Server - 轻量级语音克隆模型部署工具

GPT-SoVITSGithub开源项目推理合成服务器部署模型训练语音克隆

GPT-SoVITS-Server是一个简化语音克隆模型部署的轻量级项目。无需复杂环境搭建，用户可在多种设备上轻松运行训练好的GPT-SoVITS模型，包括手机和服务器。项目适用于CPU推理，提供简化的代码结构和配置选项，便于新手使用。未来计划包括优化代码结构、增加语言支持和开发图形界面。

GenerSpeech - 文本转语音模型，可实现 OOD 自定义语音的高保真零样本样式传输

GenerSpeechGithub多GPU支持开源项目文本到语音零样本学习风格转换

GenerSpeech: PyTorch实现的NeurIPS 2022文本到语音模型，专注于无监督出域场景下的高保真样式转换。提供多层级样式转换、优化的模型泛化功能，并支持多GPU环境。完整指南及音频样例可在线获取，助您快速实施和部署。

TextSynth - 大型AI模型API访问与推理优化服务平台

AI工具API服务TextSynth人工智能文本生成语言模型

TextSynth作为人工智能服务平台，提供Mistral、Mixtral、Llama2和Stable Diffusion等大型AI模型的API访问。平台通过REST API和交互式playground支持文本处理、图像生成和语音转文本等多种功能。采用自定义推理技术，TextSynth在标准硬件上实现更快速度和更低成本。自2020年成立以来，平台一直是GPT-2模型访问的先行者。TextSynth提供免费基础服务和按需付费选项，满足不同用户需求。

tacotron - 开源文字到语音合成系统，采用TensorFlow实现

GithubTacotronTensorFlow开源开源项目训练模型语音合成

Tacotron是基于TensorFlow的开源语音合成系统，能够直接将文本转换为语音。本项目独立实现了Google的论文'Tacotron: Towards End-to-End Speech Synthesis'，虽然当前性能未及Google的演示，但已具备一定参考价值。支持包括LJ Speech和Blizzard 2012在内的多种语音数据集，并允许通过命令行调整和优化参数。项目还提供了预训练模型的下载与部署指南，便于用户快速开始使用及测试。

ai-devices - 智能语音助手现支持多语音模型和视觉推断技术

AI设备GPT-4GithubOpenAI开源项目语音输入镜像处理

本项目是AI驱动的智能语音助手，集成多种AI模型和服务。支持语音输入、文字转语音、图片处理及功能调用，提供高级视觉推断，保障用户获得全面的智能交互体验。主要支持最新的gpt-4o和gemini-1.5-flash-latest视觉模型，满足现代科技需求。

MockingBird - 全面支持中文的语音克隆与合成解决方案

GithubMockingBirdPyTorch中文支持开源项目热门训练模型音频合成

MockingBird项目是一款支持中文的语音克隆工具，支持多数据集和各种操作系统，包括Windows和Linux，甚至M1 MACOS。该项目利用最新的PyTorch技术，提供易于使用的界面和高效的处理能力，只需训练新的合成器即可实现令人印象深刻的效果。此外，该项目还提供了Web服务器功能，允许远程调用。是否需要定制语音合成解决方案，MockingBird都能满足您的需求。

VoiceFlow-TTS - 结合最新流匹配算法的文本转语音技术

GithubKaldiVoiceFlow开源项目数据准备文本转语音模型训练

VoiceFlow-TTS项目采用先进的矫正流匹配技术，提升了文本到语音转换的效率和自然度。此项目详细介绍了设置环境、准备数据、训练模型以及推理过程，支持多GPU并发处理，兼容多种数据集。

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。

稿定AI

稿定设计是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com