Project Icon

PhoWhisper-large

越南语自动语音识别模型PhoWhisper

PhoWhisper是一个基于多语言Whisper模型开发的越南语语音识别系统,提供五个不同版本。该模型通过844小时的多方言越南语数据集训练,适用于越南语音转文字、字幕生成等应用场景。在越南语ASR基准测试中表现优异,项目论文已被ICLR 2024收录。

faster-whisper-base.en - 基于CTranslate2的Whisper英语语音识别模型
CTranslate2GithubHuggingfaceWhisperfaster-whisper开源项目模型模型转换语音识别
faster-whisper-base.en是OpenAI Whisper base.en模型的CTranslate2格式转换版本,专为英语语音识别优化。该模型利用CTranslate2框架提高处理速度,支持FP16量化以适应不同计算环境。开发者可通过faster-whisper等项目简单实现音频转录,为语音识别应用提供高效解决方案。模型采用MIT许可证,便于在各类项目中应用。该模型特别适用于需要实时处理或资源受限的环境,如移动设备或边缘计算设备上的语音识别应用。相比原始Whisper模型,faster-whisper-base.en在保持识别准确度的同时,显著提高了处理速度和资源利用效率。
distil-small.en - 轻量快速的英语语音识别模型,保持高准确率
Distil-WhisperGithubHuggingfaceTransformers开源项目模型模型压缩语音识别高性能
distil-small.en是Whisper模型的轻量化版本,参数量为166M。相比原始模型,速度提升6倍,体积减少49%,在外部数据集上的识别准确率仅降低1%。支持短长音频转录,可通过Transformers等多种框架使用。适合资源受限场景,采用编码器-解码器架构,通过精简解码器提升推理效率。
whisperkit-coreml - 针对苹果芯片优化的本地化语音识别开源框架
Apple SiliconCoreMLGithubHuggingfaceWhisperKit开源项目模型设备端语音识别
WhisperKit是一个为苹果芯片设备优化的本地语音识别框架,提供高性能的语音转文本功能。该开源项目托管于GitHub,开发者可以通过Hugging Face上的基准测试评估其在实际设备上的表现。WhisperKit使iOS和macOS应用能够实现先进的本地语音识别,无需依赖云服务。
openai-whisper-api - 多功能开源语音转文字API,支持多语言和多任务
DockerGithubNode.jsOpenAI Whisper APITypescript开源项目语音识别
OpenAI Whisper API是一种开源AI模型微服务,采用OpenAI先进的语音识别技术,支持多语言识别、语言识别和语音翻译。该服务基于Node.js、Bun.sh和Typescript构建,可在无依赖的Docker环境中运行,适用于语音和语言相关的应用。无论是转录语音消息、改进系统性能,还是探索Whisper API的功能,这都是一个强大的工具,且采用MIT许可证,开发者可以轻松使用。
whisper.unity - 本地语音识别与多语言翻译工具
ASRGithubOpenAIUnitywhisper.cppwhisper.unity开源项目
whisper.unity项目为Unity3d提供了whisper.cpp的绑定,支持在本地运行OpenAI Whisper自动语音识别模型。具备约60种语言支持、多语言翻译和多种模型尺寸选择,可在Windows、MacOS、Linux、iOS和Android等平台上高效运行,且无需互联网连接。项目完全开源,支持商业用途,并支持CUDA和Metal加速。
pyannote-whisper - 整合Whisper和pyannote.audio的语音识别与说话人分割工具
Githubpyannote-whisper开源项目数字化转型语音识别说话人分类采购流程
pyannote-whisper整合了Whisper的自动语音识别和pyannote.audio的说话人分割功能。该工具提供命令行和Python接口,支持多种音频格式的转录和分析。它能生成带时间戳和说话人标识的文本,适用于会议记录和多人访谈分析。pyannote-whisper还可与ChatGPT集成,实现会议总结和观点提取,为语音内容分析提供完整解决方案。
wav2vec2-large-xlsr-53 - 突破性多语言语音识别模型 适用低资源语言场景
GithubHuggingfaceWav2Vec2-XLSR-53多语言模型开源项目模型深度学习语音识别预训练模型
Wav2Vec2-XLSR-53是一款基于wav2vec 2.0架构的多语言语音识别模型。该模型通过在53种语言的原始音频上预训练,学习跨语言语音表示。在CommonVoice和BABEL等基准测试中,Wav2Vec2-XLSR-53显著优于单语言模型,特别适合低资源语言的语音识别任务。这一开源项目为研究人员提供了强大工具,有助于推动低资源语言语音理解的进展。
whisperX - 高效准确的长音频自动转录工具
GithubWhisperX对齐开源项目时间戳语音识别说话人分离
WhisperX是一款基于Whisper的开源自动语音识别工具,通过强制音素对齐和语音活动批处理技术,实现了高达70倍实时的转录速度。它提供精确的单词级时间戳和说话人分离功能,适用于长音频的高效转录和分析。WhisperX在保持高转录质量的同时,显著提升了时间戳的准确性,为音频处理领域带来了新的可能。
whisper-playground - 多语言实时语音转文字程序的快速搭建指南
CondaDiartGithubHugging FacePyannoteWhisper Playground开源项目
借助faster-whisper、Diart和Pyannote,构建支持99种语言的实时语音转文字应用程序。可以通过在线演示版直接体验,并依据清晰的设置指南迅速启动。该项目支持调整多种参数如模型大小、语言选择和转录方法,优化转录体验。项目依赖于Hugging Face Hub上的Pyannote模型,需先接受相应使用条款。提供详细的安装步骤和故障排查指导,方便解决常见问题。
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