speech

MARS5-Sprachmodell (TTS) von CAMB.AI

💬 SpeechGPT ist eine Webanwendung, mit der du dich mit ChatGPT unterhalten kannst.

Python-Bibliothek und CLI-Tool zur Schnittstellenanbindung an die Text-to-Speech-API von Google Translate

Sprachaktivitätserkennung (VAD): Latenzarm, leistungsstark und leichtgewichtig

Steuerbare und schnelle Text-to-Speech-Technologie für über 7000 Sprachen!

Kostenlose, einfache und portable Audio-Engine für Spiele

Kostenloser, hochwertiger Text-to-Speech-API-Endpunkt als Ersatz für OpenAI, Azure oder ElevenLabs

Praat: Phonetik am Computer

Open-Source-Engine für kontinuierliche Spracherkennung mit großem Vokabular

Community-Liste von Start-ups, die mit KI in der Audio- und Musiktechnologie arbeiten

SALMONN-Familie: Eine Suite fortschrittlicher multimodaler LLMs

Allgemeine Sprachwiederherstellung

Steuerbare Transkription. Wortgetreu (jede Füllwörter, Pausen, Stottern, Vokallaute) oder beabsichtigt (was der Sprecher sagen wollte, optimiert für Lesbarkeit) mit Zeitstempeln auf Wortebene.

Relevante Forschungsarbeiten im Bereich der natürlichen Sprachverarbeitung (inkl. Lesepotizen), Modellreproduktionen und Datenverarbeitung (Code in TensorFlow- und PyTorch-Versionen)

MTools ist eine leistungsstarke, vielseitige Desktop-Anwendung mit integrierten Audio- und Videoverarbeitungs-, Bildbearbeitungs-, Textbearbeitungs- und Codierungstools sowie KI-Erweiterungen. Entwickelt, um Ihren Arbeitsablauf zu vereinfachen und die Produktivität zu steigern.

StreamSpeech ist ein All-in-One-Modell für nahtlose Offline- und Simultanspracherkennung, -sprachübersetzung und -sprachsynthese.

Videos, Notizen und Experimente zum Verständnis von Deep Learning

Werkzeuge zur Verarbeitung multimodaler Daten in Machine-Learning-Projekten.

[Inoffizielle] PyTorch-Implementierung von „Conformer: Convolution-augmented Transformer for Speech Recognition“ (INTERSPEECH 2020)

Ein Python-Wrapper für Kaldi

Ein Open-Source-LLM-basiertes TTS-Fundamentalsystem

CNN-basiertes Toolkit zur Audiosegmentierung. Ermöglicht das Erkennen von Sprache, Musik, Rauschen und Sprechergeschlecht. Wurde für großangelegte Studien zur Geschlechtergerechtigkeit auf Basis der Sprechzeit pro Geschlecht entwickelt.

DiffWave ist ein schneller, hochqualitativer neuronaler Vocoder und Wellenformsynthesizer.

Code für „AnyGPT: Unified Multimodal LLM with Discrete Sequence Modeling“

End-to-End-Mandarin-Spracherkennung basierend auf PaddlePaddle, von den Grundlagen zur Praxis: ein super einfaches Einstiegsbeispiel und ein hochpraktisches Unternehmensprojekt. Unterstützt die aktuell beliebtesten Modelle DeepSpeech2, Conformer und Squeezeformer.

Voxtral ASR & TTS läuft nativ und im Browser. Eine Rust-Implementierung von Mistrals Voxtral mini Echtzeit-ASR / TTS unter Verwendung des Burn ML Frameworks

Ein interaktiver Omni-Avatar in Echtzeit, basiert auf LiveKit, mit dem sich nahtlos beliebige Open-Source-Avatar-Komponenten (Echtzeitmodell, Visualisierung, Sprache, Speicher, Suche usw.) integrieren lassen.

🎧 🎼 Der fortschrittlichste JavaFX Media Player.

System für Unterstützte Kommunikation (AAC) mit Sprachsynthese für den Browser

Allosaurus ist ein vortrainierter universeller Phonem-Erkenner für über 2000 Sprachen