AcademiCodec

开源音频编解码工具包推动学术创新

AcademiCodec 音频编解码开源工具包 AI模型音频压缩 Github 开源项目

AcademiCodec是首个开源音频编解码工具包，包含EnCodec、SoundStream和HiFi-Codec等模型的训练代码和预训练模型。其创新的群组残差向量量化(GRVQ)技术实现了仅需4个码本的高保真音频编解码器HiFi-Codec。该项目利用超过1000小时的公开TTS数据训练，旨在促进音频编解码和生成领域的学术研究与应用开发。

Github

Huggingface

介绍相关项目

Qwen-Audio-Chat - 多模态音频语言模型支持多种音频类型和复杂场景分析

GithubHuggingfaceQwen-Audio多任务学习多模态开源项目模型语音识别音频语言模型

Qwen-Audio-Chat是一款大规模音频语言模型，支持多种音频输入和文本输出。该模型采用创新的多任务学习框架，可处理30多种音频任务，在多个基准测试中表现优异。它能够支持多轮对话、声音理解、音乐欣赏等复杂场景，为音频AI研究和应用提供了有力工具。Qwen-Audio-Chat已开源模型代码和权重，并允许商业使用，推动了音频AI技术的发展。

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。

i-Code - 打造集成可组合的多模态人工智能框架

GithubProject i-Code基础模型多模态人工智能开源项目文档智能视觉问答

i-Code是一个致力于多模态人工智能研究的开源项目。它提供了多个版本的多模态基础模型，包括i-Code V1、V2和V3(CoDi)，以及i-Code Studio框架。项目还涉及多模态文档智能和基于知识的视觉问答技术。i-Code为AI领域提供了集成视觉、语言和语音的多模态工具，促进了人工智能的跨领域发展。

superpowered - 多平台实时低延迟音频SDK及开发工具集

C++音频SDKGithubSuperpowered实时音频处理开源项目移动应用开发跨平台开发

这是一个开源项目，提供跨平台C++音频、网络和加密SDK。主要特点包括低功耗和实时低延迟处理，支持Android、iOS、macOS等多种系统。SDK功能涵盖音频播放、解码、效果器、流媒体等,适用于桌面、移动和嵌入式设备开发。项目还集成了网络通信和加密模块，为开发者提供全面的音频应用开发工具。

Make-An-Audio - 将文本转换为高保真音频的开源扩散模型

GithubMake-An-Audio人工智能开源项目扩散模型文本转音频音频生成

Make-An-Audio是一个开源的文本到音频生成项目，基于条件扩散概率模型。该项目能够从文本等多种模态生成高保真音频，支持文本到音频、音频到音频等多种任务。项目提供了预训练模型和简单的命令行操作，方便用户生成自定义音频。此外，项目还包含了详细的训练和评估流程，以及与其他模型的性能比较。

ParallelWaveGAN - 通过Pytorch实现多种高效声码器模型

GithubHiFi-GANMelGANParallelWaveGAN多扬声器模型实时语音合成开源项目

ParallelWaveGAN项目以非官方形式用Pytorch实现了多种声码器模型，如Parallel WaveGAN、MelGAN等，支持实时语音合成并兼容ESPnet-TTS、NVIDIA's Tacotron2等系统。可帮助用户搭建适应多种语言的声音合成器。

univnet - 具有多分辨率频谱图鉴别器的神经声码器

GANGithubUnivNet开源项目神经合成器音频样本高保真波形生成

UnivNet是一种利用多分辨率频谱鉴别器的神经声码器，旨在提供高保真波形生成。本项目包括一个非官方PyTorch实现，并可与原始研究的客观评分相匹敌。它在主观评测中胜过HiFi-GAN，推理速度也比HiFi-GAN快1.5倍。项目还提供预置的训练参数和预训练模型，支持高度自定义和不同的音频数据源。

vocode-core - 快速构建语音交互LLM应用的开源框架

GithubLLMVocode实时对话开源库开源项目语音应用

vocode-core是一个开源框架，专注于简化语音对话LLM应用的开发过程。该框架提供了直观的抽象和丰富的集成，支持开发者快速实现实时语音交互、电话通话和视频会议等功能。它兼容多种转录、大语言模型和语音合成服务，同时提供详细文档和入门指南，适用于构建个人助手等多样化的语音交互应用。

data2vec-audio-base-960h - 利用自监督学习提升语音识别效率的开源框架

Data2VecGithubHuggingfaceTransformer开源项目模型自动语音识别自监督学习语言模型

Data2Vec是一种开源模型，基于Librispeech数据集进行960小时的16kHz语音音频的预训练和微调，在语音识别领域表现优异。利用自监督学习与自蒸馏手段，Data2Vec准确提取上下文信息，优化了自动语音识别的表现。在LibriSpeech的测试中，取得了“clean”任务2.77和“other”任务7.08的词错误率（WER），体现了其在业内的竞争力。

Catch-A-Waveform - 单样本驱动的多样化AI音频生成技术突破

Catch-A-WaveformGithub开源项目深度学习神经网络音频处理音频生成

Catch-A-Waveform是一个开源的AI音频生成项目，通过单一短音频样本学习生成多样化音频。该项目支持无条件生成、带宽扩展、音频修复和降噪等功能，可用于音乐创作、语音处理和音频修复等领域。Catch-A-Waveform不仅能创造新的音频内容，还能提升现有音频质量，为音频处理技术开辟新的研究方向。

相关项目

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。

使用协议隐私政策广告服务

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