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

speech-resynthesis - 基于离散解耦自监督表示的语音重合成技术

Github开源项目自监督学习表示学习语音合成语音编码语音重合成

该项目开发了一种新型语音重合成方法，采用自监督学习的离散表示技术，分别提取语音内容、韵律信息和说话人特征。这种方法实现了可控的语音合成，在重建质量和特征解耦方面表现优异。此外，该技术还可应用于超轻量级语音编解码，以365比特/秒的低比特率提供高质量语音输出。项目提供完整的训练和推理流程，兼容多种数据集和自监督学习方法。

RealtimeSTT - 实时语音转文本库适用于低延迟应用

GithubRealtimeSTT唤醒词实时转录开源项目语音助手语音转文本

RealtimeSTT是一个为实时应用设计的语音转文本库。它集成了语音活动检测、实时转录和唤醒词激活等功能，适合开发语音助手和需要快速精确语音转文本的应用。该库采用WebRTCVAD和SileroVAD进行语音检测，Faster_Whisper执行转录，Porcupine或OpenWakeWord负责唤醒词检测，体现了当前语音识别技术的先进水平。

RapidASR - 开源多模型语音识别框架

GithubONNXRuntimeRapid ASR开源项目模型转换语音识别

RapidASR是一个开源语音识别框架，集成多种模型如Paraformer、WeNet和PaddleSpeech。它支持Python和C++接口，兼容Linux、Windows和Mac系统。该项目结合了语音识别、语音活动检测和标点恢复功能，提供完整的语音转文本流程。RapidASR采用ONNXRuntime推理引擎，支持批量处理，性能稳定且持续更新。其核心代码已并入FunASR，具有良好的扩展性和兼容性。项目还提供详细的文档导航，适用于各种语音识别应用场景，便于开发者快速上手和使用。

llm-toys - 微调小型语言模型实现多任务处理

Githubllm-toys任务微调低资源模型对话摘要开源项目语气变化

llm-toys 项目提供适用于释义、语气转换、对话总结和主题生成等任务的小型量化3B和7B语言模型。这些经过微调的模型能在普通消费级硬件上高效运行，并通过简单的安装步骤提升文本处理和生成能力。

Bridge-TTS - 创新方法提升文本转语音合成效果

Bridge-TTSGithubSchrodinger Bridge开源项目文本转语音机器学习语音合成

Bridge-TTS是一个革新性的文本转语音(TTS)项目，利用人工智能和机器学习技术，通过创新的数据处理方法优化语音合成。无论在简单还是复杂的应用场景中，它都显著优于传统的扩散模型。这一突破不仅提升了TTS技术水平，还为语音合成和相关人工智能领域开辟了新的研究方向。项目详情、研究方法和结果可在官方网站查阅，完整源代码将在论文被学术界正式接受后公开发布。

HierSpeechpp - 分层变分推理实现高质量零样本语音合成

AI模型GithubHierSpeech++变分推理开源项目语音合成零样本

HierSpeech++项目提出了一种基于分层变分推理的零样本语音合成技术。该技术通过文本到向量框架生成语音表示,显著提高了合成语音的自然度和表现力。项目还引入了语音超分辨率框架,可将音频从16 kHz提升至48 kHz。实验表明,HierSpeech++在零样本语音合成任务中优于现有的基于大语言模型和扩散模型的方法,首次实现了人类水平质量的零样本语音合成。

GPT-SoVITS - 少样本声音克隆模型

GPT-SoVITS-WebUIGithubWebUI工具开源项目文本转语音模型训练热门跨语言支持

GPT-SoVITS-WebUI是一款功能强大的在线语音转换和文本转语音工具，支持跨语言转换与实时语音合成。项目集成了自动训练集分段、中文语音识别和文本标记等工具，能够帮助初学者轻松创建训练数据集和GPT/SoVITS模型。GPT-SoVITS支持零样本和少样本文本转语音，是音频处理领域的创新应用。

Diffusion-SVC - 高效实时语音转换系统

AI模型ContentVecDiffusion-SVCGithub开源项目扩散模型语音转换

Diffusion-SVC是一个基于扩散模型的语音转换项目，专注于实现高质量的实时语音转换。该系统以低显存占用、快速训练和推理为特点，并针对浅扩散和实时应用进行了优化。Diffusion-SVC支持多种预训练模型和编码器，适用于不同规模的GPU，可灵活搭配使用。通过与其他声学模型级联，系统能进一步提升音频质量并降低性能消耗，为语音转换技术带来新的可能性。

hf-seamless-m4t-medium - 多语言翻译与语音识别的统一模型

GithubHugging FaceHuggingfaceSeamlessM4T多语言翻译开源项目文本到语音模型语音识别

SeamlessM4T是一款多语言模型，支持101种语言的语音输入、196种语言的文本处理和35种语言的语音输出。它能进行语音到语音、语音到文本、文本到语音及文本到文本的翻译。最新的SeamlessM4T v2在翻译质量和生成速度上均有改善，为需要高效语音处理和文本翻译的场景提供了解决方案。

DeepSpeech - 开源的深度学习语音识别引擎

GithubProject DeepSpeechTensorFlow开源开源项目机器学习语音识别

DeepSpeech是一个开源语音转文字引擎，基于百度的Deep Speech研究，并利用Google TensorFlow实现。提供详细的安装、使用和训练模型文档。最新版本及预训练模型可在GitHub获取，支持和贡献指南请参阅相应文件。

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