Project Icon

SECap

语音情感转文字描述的开源AI系统

SECap是一个开源的语音情感描述生成系统,结合大语言模型技术将语音情感转化为文字描述。项目包含模型代码、训练测试脚本和600个音频样本的测试集。系统能捕捉语音情感特征并生成相应描述,为语音情感分析研究提供新的工具和思路。

ChatTTS_Speaker - AI语音合成稳定性评估与特征标记工具
ChatTTSGithub声纹识别开源项目稳定性评估音色打标音色评分
ChatTTS_Speaker项目基于ChatTTS开发,专注于AI合成语音的稳定性评估和特征标记。项目利用ERes2NetV2模型对2600个音色进行评分,评估包括长句、多句和单句的稳定性,以及音色的性别、年龄和特征识别。提供音色下载功能和详细的评分参数解释,为AI语音合成研究和应用提供有价值的参考数据。
wav2vec-english-speech-emotion-recognition - 英语语音情感识别模型:Wav2Vec 2.0的微调应用
GithubHuggingfaceWav2Vec 2.0开源项目模型模型微调深度学习自然语言处理语音情感识别
此项目展示了Wav2Vec 2.0模型在英语语音情感识别任务中的应用。通过使用SAVEE、RAVDESS和TESS数据集进行微调,模型能够识别7种基本情绪。在评估集上,模型达到了97.463%的准确率。这一成果为语音情感分析领域提供了新的可能性,可应用于语音交互系统和情感计算研究。
wav2vec2-base-superb-er - 基于Wav2Vec2的语音情感识别模型实现高精度声学特征提取
GithubHuggingfaceIEMOCAPSUPERBWav2Vec2开源项目情感识别模型语音识别
wav2vec2-base-superb-er是一个针对SUPERB情感识别任务优化的语音情感识别模型。该模型可从16kHz采样的语音中提取声学特征,识别说话者的情感状态。经IEMOCAP数据集训练后,模型能识别4种主要情感类别,测试集识别准确率为62.58%。模型提供pipeline接口和直接调用方式,便于快速部署语音情感分析应用。
seed-tts-eval - 零样本语音生成评估数据集与度量工具
AI安全GithubTTS开源项目测试集评估指标语音合成
seed-tts-eval是一个开源项目,提供评估零样本语音生成能力的客观测试集。该测试集包含英语和中文公开语料库样本,并配备计算词错误率和说话人相似度的脚本。这套工具主要用于评估语音合成模型在跨语言和零样本场景下的性能。项目采用Common Voice和DiDiSpeech-2数据集,包含3000个测试样本。评估指标包括使用Whisper和Paraformer模型的词错误率,以及基于WavLM的说话人相似度。这些工具有助于客观评估语音合成技术的进展。
AudioLCM - 基于潜在一致性模型的文本到音频生成系统
AudioLCMGithub开源实现开源项目文本生成音频潜在一致性模型高质量音频生成
AudioLCM是一个开源的文本到音频生成系统,基于潜在一致性模型。该项目提供完整实现代码和预训练模型,支持高效生成高质量音频内容。AudioLCM在ACM-MM'24会议被接受,并在GitHub和HuggingFace平台发布。研究人员可使用预训练模型进行推理,或按指南准备数据集训练自定义模型。项目还包含数据集处理、变分自编码器训练等功能。
Stable Audio Open - 开源文本转音频模型 生成高质量短音频样本和音效
AI工具Stable Audio Open开源模型文本到音频音效制作音频生成
Stable Audio Open是一个开源的文本转音频生成模型,专注于创建短音频样本、音效和音乐制作元素。用户可通过文本提示生成最长47秒的高质量音频。该模型适用于创建鼓点、乐器片段、环境音效和拟音效果等。作为免费开源工具,它为音乐制作和声音设计提供了实用的解决方案。用户可以使用自己的数据微调模型,生成个性化音效。此外,模型支持部署到个人设备,便于自定义使用。
RealtimeSTT_LLM_TTS - 整合语音识别与AI对话的开源项目
GPU支持GithubRealtimeSTT唤醒词实时转录开源项目语音转文字
该项目集成语音识别、AI对话和语音合成,支持GPU加速以实现低延迟交互。具备语音检测、实时转录和唤醒词等功能,可用于开发语音助手和AI对话应用。Web界面支持个性化配置,适合快速构建语音交互系统。
wav2vec2-lg-xlsr-en-speech-emotion-recognition - 微调Wav2Vec 2.0实现高精度语音情感识别
GithubHuggingfaceRAVDESS数据集Wav2Vec 2.0开源项目微调模型深度学习语音情感识别
项目利用微调技术优化wav2vec2-large-xlsr-53-english模型,在RAVDESS数据集上训练出准确率达82.23%的语音情感识别系统。该模型可辨别8种情感状态,包括愤怒、平静和厌恶等。这一成果为语音情感分析、人机交互和情感计算领域的研究提供了新的思路和实践参考。
wav2vec2-large-robust-12-ft-emotion-msp-dim - 基于Wav2vec 2.0的多维语音情感识别模型
GithubHuggingfaceMSP-PodcastWav2vec 2.0开源项目模型神经网络模型语音情感识别音频分类
该模型基于Wav2vec 2.0技术,通过在MSP-Podcast数据集上微调Wav2Vec2-Large-Robust模型实现。它能够处理原始音频信号,识别语音中的唤醒度、支配度和效价三个维度,输出0-1范围内的情感预测结果。此外,模型还提供最后一个transformer层的池化状态,为语音情感分析研究提供了有力支持。
stable-audio-open-1.0 - 开源文本转音频模型支持44.1kHz立体声和最长47秒音频生成
GithubHuggingfaceStable Audio Open 1.0人工智能开源项目机器学习模型音乐创作音频生成
Stable Audio Open 1.0是Stability AI推出的开源音频生成模型,通过自编码器、T5文本嵌入和DiT扩散模型架构,将文本转换为最长47秒的44.1kHz立体声音频。模型基于48万条音频数据训练,在音效和环境音生成方面表现突出,支持stable-audio-tools和diffusers两种调用方式。现阶段仅支持英文提示词输入,不具备人声生成能力。
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