PL-BERT

通过PL-BERT实现更自然的语音合成

PL-BERT 文本转语音自然语言模型语音合成图标预测 Github 开源项目

PL-BERT，一种创新的音素级预训练语言模型，通过预测掩码音素对应的字形，有效提升了多语种文本到语音转换的自然度和准确性。经科学评估，其合成语音质量在面对非模型文本时，较传统方法有明显提高，推动了语音合成技术的进步。

文档

bark - 先进的多语言文本转语音和音频生成AI模型

BarkGithubHuggingface人工智能多语言开源项目文本转语音模型音频生成

Bark是Suno开发的基于transformer的文本转音频AI模型，能生成逼真的多语言语音、音乐、背景音和简单音效，还可模拟笑声、叹息等非语言交流。该模型提供预训练检查点供研究使用，输出未经审查。研究人员可通过Transformers或原始Bark库在本地运行，灵活易用。Bark代表了文本转语音技术的重要进展，为相关研究和应用提供了新的可能性。

hubert-base-ls960 - 自监督语音表示学习模型HuBERT助力语音识别进步

GithubHubertHuggingface开源项目模型自监督学习语音表示语音识别预训练模型

hubert-base-ls960是一个创新的自监督语音表示学习模型,采用Hidden-Unit BERT (HuBERT)方法。该模型通过离线聚类为BERT类预测损失提供对齐标签,在LibriSpeech和Libri-light测试中表现优异,显著降低了词错误率。作为语音识别、生成和压缩的基础模型,hubert-base-ls960为相关研究和应用提供了有力支持。

chinese_speech_pretrain - 中文语音预训练模型，wav2vec 2.0和HuBERT的开源实现

GithubHuBERTWenetSpeechwav2vec 2.0中文语音识别开源项目语音预训练模型

chinese_speech_pretrain项目开源了基于WenetSpeech数据集训练的中文语音预训练模型。项目包含wav2vec 2.0和HuBERT的BASE与LARGE版本，均使用1万小时多样化中文语音数据训练。模型在自动语音识别任务中表现优异，尤其适合低资源场景。项目提供模型下载及使用指南，可用于语音识别、语音合成等研究领域。

Multilingual_Text_to_Speech - 多语言文本到语音合成技术

GithubMeta-learningTacotron 2多语言文本转语音开源项目神经网络模型语音合成

Multilingual_Text_to_Speech项目综合采用Tacotron 2模型与元学习技术，支持复杂的多语言语音合成实验，提供完善的编码器共享机制，并包含丰富的语言数据及互动示范，旨在推动学术研究及应用开发。

hubert-large-ll60k - Facebook推出革新性语音表示学习模型

GithubHubertHuggingface开源项目模型自监督学习语音表示学习语音识别预训练模型

HuBERT是Facebook开发的自监督语音表示学习模型，专为语音识别、生成和压缩而设计。该模型采用离线聚类和BERT式预测损失，有效解决了语音学习中的多单元输入、无预训练词典和可变长度分段等问题。在LibriSpeech和Libri-light基准测试中，HuBERT展现出优异性能，特别是在challenging的dev-other和test-other子集上，相对词错误率(WER)分别降低了19%和13%。HuBERT的核心优势在于其依赖无监督聚类步骤的一致性，而非聚类标签的质量，为语音AI领域带来了新的研究方向。

labse_bert - 多语言BERT句子嵌入模型及其应用

GithubHuggingfaceLABSE BERT句子嵌入多语言处理开源项目模型模型应用自然语言处理

LaBSE BERT是一种语言无关的句子嵌入模型，由Fangxiaoyu Feng等人开发并在TensorFlow Hub上提供。该模型能够将文本转换为高效的向量表示，适用于多语言文本处理。利用AutoTokenizer和AutoModel加载模型，并通过mean_pooling方法获取句子嵌入，以增强文本分析和信息检索等领域的性能。使用PyTorch实现编码和处理，多语言文本分析更加轻松。

HierSpeechpp - 分层变分推理实现高质量零样本语音合成

AI模型GithubHierSpeech++变分推理开源项目语音合成零样本

HierSpeech++项目提出了一种基于分层变分推理的零样本语音合成技术。该技术通过文本到向量框架生成语音表示,显著提高了合成语音的自然度和表现力。项目还引入了语音超分辨率框架,可将音频从16 kHz提升至48 kHz。实验表明,HierSpeech++在零样本语音合成任务中优于现有的基于大语言模型和扩散模型的方法,首次实现了人类水平质量的零样本语音合成。

character-bert - 字符级CNN构建的开放词汇表神经网络模型

CharacterBERTGithub开放词表开源项目神经网络自然语言处理词嵌入

CharacterBERT是BERT的一个变体,采用字符级CNN模块动态构建词表示,无需依赖预定义词片词汇表。这种方法可生成任意输入标记的表示,适用于医学等专业领域。与标准BERT相比,CharacterBERT生成词级上下文表示,对拼写错误更为鲁棒,且可轻松适应不同领域而无需重新训练词片词汇表。该模型在多个医学领域任务中表现优于BERT,提供更便捷实用的词级开放词汇表表示。

bark - 多功能文本到音频AI转换模型

AI模型BarkGithub多语言开源项目文本转语音音频生成

Bark是Suno开发的开源文本到音频生成模型,能生成逼真的多语言语音、音乐、背景噪音和简单音效。支持笑声、叹息等非语言交流,适用于研究目的。采用transformer架构,直接将文本转换为音频。提供100多种语音预设,可生成随机语音,但不支持自定义语音克隆。该模型为全生成式设计,可能偏离给定脚本,适合各种音频生成任务。

hubert-xlarge-ls960-ft - 采用大规模LibriSpeech数据集微调的HuBERT模型，展示前沿语音识别性能

GithubHubertHuggingface开源项目模型聚类自动语音识别自监督学习语音表示学习

HuBERT模型通过LibriSpeech数据集上的960小时微调，提供准确的自动语音识别功能。解决大声单元处理、无词汇表和声单元长度可变等挑战，并在多项基准测试中与wav2vec 2.0性能相当或更优。通过自监督学习和离线聚类，得益于1B参数模型，显著降低了错误率，成为语音识别的关键突破方法。

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。

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