hubert-base-superb-ks

基于HuBERT的语音命令词识别与关键词检测模型

语音识别音频分类 Huggingface SUPERB 关键词检测开源项目模型 HuBERT Github

该语音关键词检测系统基于HuBERT预训练模型开发，可识别Speech Commands数据集中的10类预设命令词、静音和未知类别。模型在测试集达到96.72%准确率，支持16kHz采样率音频输入，集成transformers pipeline接口，便于设备端快速部署和调用。

文档

whisper-large-v3-turbo - 精简版Whisper语音识别系统的突破性进展

GithubHuggingfaceWhisper多语言开源项目模型模型蒸馏自动语音识别语音识别

Whisper large-v3-turbo通过模型蒸馏技术对原版Whisper进行优化，将解码层从32减少到4层，在仅造成轻微性能损失的情况下显著提升了处理速度。该模型继承了Whisper优秀的多语言处理能力，支持超过100种语言的语音识别和翻译任务，能够适应不同场景的音频输入。基于高效的架构设计，此模型在降低计算资源需求的同时保持了稳定的识别准确率。

wav2vec2-large-960h-lv60-self - Wav2Vec2大规模语音识别模型实现低词错误率

GithubHuggingfaceLibriSpeechWav2Vec2开源项目模型模型评估自训练语音识别

Wav2Vec2-large-960h-lv60-self是一个基于Wav2Vec2技术的大规模语音识别模型。该模型在960小时的Libri-Light和Librispeech数据集上进行预训练和微调，采用自训练方法。在LibriSpeech清晰测试集上，模型实现1.9%的词错误率，其他测试集上为3.9%。模型可直接用于音频转录，特别适合标记数据有限的语音识别任务。

nerkor-cars-onpp-hubert - 匈牙利语命名实体识别模型实现30余类实体智能检测

GithubHuggingfaceNerKorOntoNotes命名实体识别开源项目机器学习模型语料库标注

这款匈牙利语命名实体识别模型基于SZTAKI-HLT/hubert-base-cc架构开发，具备多样化的实体识别能力。模型可识别人名、地点、组织机构等基础实体，同时支持日期、时间、货币等数值型实体，总计超过30种实体类型。通过NerKor+CARS-ONPP语料库训练，最大处理序列长度为448，能够有效完成匈牙利语文本中的实体分析工作。

fast-bert - 快速训练和部署BERT与XLNet文本分类模型的深度学习库

Fast-BertGithub开源项目文本分类深度学习自然语言处理预训练模型

fast-bert是一个深度学习库,用于训练和部署基于BERT和XLNet的文本分类模型。它支持多类和多标签分类,提供数据处理、模型训练、参数调优和部署功能。该库集成了LAMB优化器和学习率查找器,旨在简化最新自然语言处理技术的应用过程。fast-bert适用于各类文本分类任务,能够帮助开发者快速构建高性能模型。

XPhoneBERT - 多语言音素表示模型助力TTS性能提升

GithubXPhoneBERT多语言模型开源项目语音合成音素表示预训练模型

XPhoneBERT是一种创新的多语言音素表示预训练模型，专为文本转语音(TTS)系统设计。基于BERT-base架构，该模型利用RoBERTa方法对近100种语言的3.3亿音素级句子进行训练。研究显示，将XPhoneBERT用作输入音素编码器能够显著增强神经TTS模型的自然度和韵律表现，同时在训练数据有限的情况下也能生成高质量语音。这一模型支持广泛的语言，并可通过transformers库便捷集成。

wav2vec2-lv-60-espeak-cv-ft - 利用微调的wav2vec2模型提升多语言语音和语素识别能力

GithubHuggingfaceWav2Vec2开源项目模型自主学习自动语音识别语音识别跨语言

wav2vec2-large-lv60模型经过多语言Common Voice数据集微调，实现跨语言语音与语素识别。模型在16kHz采样率的语音输入下输出语素标签，需使用语素到单词的映射字典进行转换。该方法在未见语言的转录中表现优异，超过以往单一语言模型的效果。

Bert-VITS2-ext - 实现声音到脸部表情的同步生成的TTS及声音识别的应用

Bert-VITS2GithubTTS开源项目数据预处理表情生成音频质量

Bert-VITS2-ext 专注于TTS及声音识别的创新应用，实现声音到脸部表情的同步生成。该技术结合VITS，支持多语言，适用于复杂交互场景，为动画与虚拟互动领域开辟新可能。

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。

Qwen2-Audio-7B - 多模态音频语言模型支持语音交互和内容分析

GithubHuggingfaceQwen2-Audio开源项目模型自然语言处理语音交互音频分析音频语言模型

Qwen2-Audio-7B是一个创新的音频语言模型，具备处理多种音频输入的能力。该模型提供语音聊天和音频分析两种交互模式，支持自由语音对话及音频文本混合分析。模型发布了预训练和对话两个版本，为音频理解和处理领域带来了新的可能性。

tensorflow-speech-recognition - 开源TensorFlow中的语音识别示例

DeepSpeechGithubTensorflowWhisper开源项目深度学习语音识别

使用谷歌的TensorFlow框架进行语音识别，最初目标是为Linux系统创建独立的语音识别模型。尽管该项目现主要用于教学，开发者展示了使用开源数据和强大模型实现高效语音识别的潜力。推荐查看更新项目如Whisper和Mozilla的DeepSpeech，这两个项目在错误率方面的表现出色。该项目包含示例代码、依赖安装指导及功能扩展，如GPU上的WarpCTC和P2P学习模块。

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