Project Icon

bark

先进的多语言文本转语音和音频生成AI模型

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。

parler-tts-mini-expresso - 轻量化的自然语音合成模型,具有高质量情感表达
GithubHuggingfaceParler-TTS开源项目情感合成模型生成高质量语音自然语音语音标注
Parler-TTS Mini: Expresso是一款经过微调的文本转语音模型,专注于生成高品质和自然的语音。它为多种情感如愉快、困惑、欢笑和悲伤提供了精确的控制,并具有对一致性语音如Jerry、Thomas等的高级支持。作为Parler-TTS项目的一部分,该模型为社区提供了丰富的训练资源和数据预处理工具。用户可以利用开源代码进行模型定制和训练,从而轻松生成高质量的语音输出。
hubert-large-ll60k - Facebook推出革新性语音表示学习模型
GithubHubertHuggingface开源项目模型自监督学习语音表示学习语音识别预训练模型
HuBERT是Facebook开发的自监督语音表示学习模型,专为语音识别、生成和压缩而设计。该模型采用离线聚类和BERT式预测损失,有效解决了语音学习中的多单元输入、无预训练词典和可变长度分段等问题。在LibriSpeech和Libri-light基准测试中,HuBERT展现出优异性能,特别是在challenging的dev-other和test-other子集上,相对词错误率(WER)分别降低了19%和13%。HuBERT的核心优势在于其依赖无监督聚类步骤的一致性,而非聚类标签的质量,为语音AI领域带来了新的研究方向。
v3_1_pt_ep1_sft_5_based_on_llama3_1_8b_final_data_20241019 - 探索先进的自然语言处理开源模型及其实际应用
GithubHuggingfacetransformers开源项目模型模型卡环境影响训练细节语言模型
了解先进自然语言处理开源模型的信息,包括用途、评估方法及风险提示。虽然详细信息未完全披露,但以上内容可为开发和应用提供重要参考。
silero-models - 提供预训练的企业级语音识别和合成模型
GithubONNXPyTorchSilero Models开源项目文本转语音语音识别
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。
Tarsier-7b - 开源大规模视频语言模型,提升视频描述和理解能力
GithubHuggingfaceTarsier人工智能开源项目机器学习模型视频描述计算机视觉
Tarsier-7b是一个开放源代码的视频语言模型,专注于视频描述和理解。该模型使用两阶段的训练策略以增强性能,能够生成高质量的视频描述。训练过程包括多任务预训练和多粒度微调,并通过多种数据集进行评估,从而保证出色性能。适合从事计算机视觉与自然语言处理研究的研究人员和爱好者使用,可在相关平台获取更多信息。
parakeet-tdt_ctc-1.1b - 高性能自动语音识别模型解决方案
GithubHuggingfaceNeMo开源项目快速同构体数据集模型自动语音识别词错误率
parakeet-tdt_ctc-1.1b提供了一个功能强大的语音识别模型,支持将语音转录为包含标点和大写字母的文本。由NVIDIA NeMo和Suno.ai团队联合开发,拥有1.1B的参数规模,能够高效地处理大规模的音频数据。该模型利用局部注意力和全局令牌技术实现单次处理11小时音频。其在多个公开数据集上的出色表现,表明其在语音转录应用中有广泛的适用性和较低的词错误率(WER)。
basaran - 开源的OpenAI文本生成API替代工具
BasaranDockerGithubHugging FaceOpenAIPython开源项目
Basaran是一款开源工具,旨在替代OpenAI的文本生成API,支持Hugging Face Transformers模型。其主要功能包括流式生成、多GPU支持、与OpenAI API的兼容性等。用户无需修改代码即可使用最新的开源模型,适用于多种解码策略和实时进度显示。
TTS - 多语言支持和低延迟的先进文本到语音转换技术
Coqui.aiGithubTTS多语言开源项目深度学习语音合成
🐸TTS库提供多达16种语言的高级文本到语音转换模型,支持低于200毫秒的流媒体延迟。它包含丰富的工具用于模型训练和微调,并且拥有超过1100种预训练模型,适用于多语言和多说话人TTS任务。此外,该库还支持高效的语料库分析和管理,为语音合成提供全面支持。
audioldm2 - 文本到音频生成模型AudioLDM 2实现多种音效、语音及音乐生成
AudioLDM 2GithubHuggingface声音效果开源项目文本到音频模型生成模型自监督预训练
AudioLDM 2是一个文本到音频扩散模型,能通过自监督预训练生成多样化的音效、语音与音乐样本。其模型提供多个检查点,既适用于一般文本到音频的生成,也专注于音乐生成。用户可以通过调整推理步骤和音频长度控制生成音频的质量和时长。在Diffusers库中,从v0.21.0版本便可应用。该模型通过简单的提示,支持个性化音频创作,以中立的方式满足音频生成需求。
reverb-asr - 基于大规模人工标注数据的开源语音识别模型
GithubHuggingfaceReverb ASR人工智能开源项目模型自动语音转录语音处理语音识别
这是一个基于20万小时人工标注语音数据训练的开源语音识别系统。采用CTC/attention联合架构,同时支持CPU和GPU部署。系统的特色在于通过verbatimicity参数实现对转录详细程度的精确控制,可输出从简洁到完整逐字的多种转录风格。支持attention、CTC等多种解码方式,适合不同应用场景。
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