SECap

语音情感转文字描述的开源AI系统

SECap 语音情感描述大语言模型音频处理情感分析 Github 开源项目

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。

vits-simple-api - 多功能语音合成和转换API

GPU加速Githubvits-simple-api人工智能多模型支持开源项目文本转语音

vits-simple-api运用先进的VITS技术，支持文本到语音的转换，包括情感和声音风格的自定义，适用于众多场景。此外，项目还支持中文、日语等多语言，提供实时和批量处理模式，以及Docker和虚拟环境部署选项，确保安装和使用的便捷性。

dac_16khz - 描述开源模型的功能与可能应用

GithubHuggingfacetransformers偏见开源项目模型模型卡环境影响训练数据

本文提供有关此开源模型的详细信息，涵盖应用场景、技术规格以及偏见和风险评估。页面尚在完善，初步介绍模型说明、训练详情及环境影响。评估和结果部分指引用户查阅更多资源。

SpeechTokenizer - 将语音标记化统一的开源工具

GithubRVQSpeechTokenizer开源项目语音信息处理语音标记器语音语言模型

SpeechTokenizer 是一个开源的语音标记化工具，采用编码器-解码器架构和残差向量量化技术，统一了语义和声学标记。该项目能够分层分离语音信息的不同方面，为语音语言模型提供更精确的输入。它提供了在 LibriSpeech 和 Common Voice 数据集上训练的模型，支持 16kHz 单声道语音处理。项目开源了训练代码和预训练模型，可用于语音处理研究和应用开发。

SpotifyTranscripts - 生成播客字幕和自动章节的AI技术

GithubOpen AISpotify字幕开源项目章节转录

SpotifyTranscripts通过AI技术生成播客字幕和自动分段，提升内容查找和听力障碍者的访问体验。主要功能包括将语音转为文本、自动生成章节和搜索功能，帮助用户快速找到感兴趣的内容。结合Spotify API和Open AI API，实现了便捷的播客内容管理和用户互动，适用于需要精确内容定位和字幕功能的播主和听众。

bertweet-base-sentiment-analysis - 英文推文情感分析模型 BERTweet-Sentiment

BERTweetGithubHuggingface开源项目情感分析推特数据机器学习模型模型自然语言处理

bertweet-base-sentiment-analysis是一个基于SemEval 2017语料库训练的英文情感分析模型。它利用BERTweet作为基础，能够识别文本中的积极、消极和中性情感。作为pysentimiento库的组成部分，该开源项目主要面向非商业用途和科研领域，为自然语言处理研究提供了实用的情感分析工具。

ScreenAI - 深度理解界面和信息图的视觉语言模型

GithubScreenAIUI理解信息图表理解多模态开源项目视觉语言模型

ScreenAI是一个开源的多模态视觉语言模型，专注于用户界面(UI)和信息图的理解。该模型集成了视觉变换器(ViT)、注意力机制和前馈网络，能够处理图像和文本输入。通过深度学习技术，ScreenAI实现了对复杂视觉信息的处理和文本整合分析，为UI设计、信息可视化和人机交互研究提供了新的工具和方法。

SONAR - 先进的多语言多模态句子表示模型

GithubSONAR句子嵌入多模态多语言开源项目机器翻译

SONAR是Meta AI推出的开源多语言多模态句子表示模型。它支持200种语言的文本处理和37种语言的语音处理，在多语言相似性搜索任务中性能优异。SONAR可用于文本和语音嵌入、文本重构、跨语言翻译等多种自然语言处理任务，为多语言多模态AI应用提供了强大的基础。

gdansk-ai - 开源全栈AI语音对话系统整合多项云服务

AI语音聊天机器人Auth0GithubOpenAIStripe全栈AI应用开源项目

Gdańsk AI是一个开源的全栈AI语音对话系统，集成了语音转文本、大型语言模型和文本转语音技术。该项目整合了Auth0身份验证、OpenAI和Google Cloud API的AI能力，以及Stripe支付功能。系统由Web应用、API和AI组件构成，为开发者提供完整的AI对话解决方案。用户可通过购买'bibs'代币与AI进行语音交互。本项目采用Node.js、TypeScript和Python等技术栈，结构清晰，便于二次开发。系统支持用户通过语音进行AI对话，并提供便捷的支付流程。开发者可根据需求自定义AI模型和对话流程，快速构建语音交互应用。

speech-to-text-benchmark - 开源语音识别基准测试框架对比多家主流引擎

Github基准测试开源项目模型大小计算效率识别准确率语音转文本

该项目提供了一个开源的语音识别基准测试框架，对比了Amazon、Azure、Google等主流云服务以及OpenAI Whisper、Picovoice等引擎的性能。框架使用LibriSpeech、TED-LIUM和Common Voice数据集，评估词错率、计算效率和模型大小等指标。测试结果客观展示了各引擎在准确度和资源消耗方面的表现，为选择语音识别解决方案提供了参考依据。

GigaSpeech - 多领域英语语音识别数据集提供10,000小时转录音频

GigaSpeechGithub开源项目数据集深度学习语音识别音频处理

GigaSpeech是一个开源的多领域英语语音识别数据集，包含33,000多小时音频数据，其中10,000小时有高质量人工转录。数据来源包括有声书、播客和YouTube等，并提供多个规模的训练和评估子集。项目提供多种语音识别工具包的数据准备脚本，由志愿者维护并欢迎社区贡献，旨在促进语音技术的研究和应用。

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。

白日梦AI

白日梦AI提供专注于AI视频生成的多样化功能，包括文生视频、动态画面和形象生成等，帮助用户快速上手，创造专业级内容。

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。

讯飞绘镜

讯飞绘镜是一个支持从创意到完整视频创作的智能平台，用户可以快速生成视频素材并创作独特的音乐视频和故事。平台提供多样化的主题和精选作品，帮助用户探索创意灵感。

讯飞文书

讯飞文书依托讯飞星火大模型，为文书写作者提供从素材筹备到稿件撰写及审稿的全程支持。通过录音智记和以稿写稿等功能，满足事务性工作的高频需求，帮助撰稿人节省精力，提高效率，优化工作与生活。

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。

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