speech

Modelo de voz (TTS) MARS5 de CAMB.AI

💬 SpeechGPT es una aplicación web que te permite conversar con ChatGPT.

Biblioteca de Python y herramienta de línea de comandos para interactuar con la API de conversión de texto a voz de Google Translate

Detector de actividad de voz (VAD): baja latencia, alto rendimiento y ligero

¡Texto a voz controlable y rápido para más de 7000 idiomas!

Motor de audio gratuito, fácil y portátil para juegos

Endpoint de API de texto a voz gratuito y de alta calidad para reemplazar OpenAI, Azure o ElevenLabs

Praat: Fonética por computadora

Motor de reconocimiento de voz continuo de vocabulario amplio de código abierto

Lista comunitaria de startups que trabajan con IA en tecnología de audio y música.

Familia SALMONN: un conjunto de LLMs multimodales avanzados.

Restauración general de voz.

Transcripción controlable. Literal (incluyendo muletillas, pausas, tartamudeos, sonidos vocales) o intencionada (lo que el hablante quiso decir, optimizado para legibilidad) con marcas de tiempo a nivel de palabra.

Artículos relevantes en el campo del procesamiento de lenguaje natural (con notas de lectura), modelos de reproducción y procesamiento de datos (código disponible en versiones TensorFlow y PyTorch)

MTools es una potente aplicación de escritorio multifuncional que integra procesamiento de audio y vídeo, edición de imágenes, operaciones de texto y herramientas de codificación, con funciones de IA integradas. Diseñado para simplificar tu flujo de trabajo y mejorar la productividad.

StreamSpeech es un modelo integrado "Todo en uno" para el reconocimiento, traducción y síntesis de voz tanto fuera de línea como simultáneos.

Videos, notas y experimentos para comprender el aprendizaje profundo

Herramientas para gestionar datos multimodales en proyectos de machine learning.

Implementación no oficial en PyTorch de Conformer: Convolution-augmented Transformer for Speech Recognition (INTERSPEECH 2020).

Un wrapper de Python para Kaldi

Un sistema TTS fundamental potenciado por LLM de código abierto

Kit de herramientas de segmentación de audio basado en CNN. Permite detectar voz, música, ruido y el género del hablante. Diseñado para estudios de igualdad de género a gran escala basados en el tiempo de habla por género.

DiffWave es un vocoder neuronal y sintetizador de formas de onda rápido y de alta calidad.

Código para "AnyGPT: LLM multimodal unificado con modelado de secuencia discreta"

Reconocimiento de voz en chino de extremo a extremo basado en PaddlePaddle, desde conceptos básicos hasta proyectos empresariales prácticos. Soporta modelos populares como DeepSpeech2, Conformer y Squeezeformer

Voxtral ASR & TTS ejecutándose de forma nativa y en el navegador. Una implementación en Rust del ASR/TTS en tiempo real de Mistral Voxtral mini utilizando el framework Burn ML.

Un Omni Avatar interactivo en tiempo real construido sobre LiveKit, que permite una integración fluida con cualquier componente de avatar de código abierto (modelo en tiempo real, visual, voz, memoria, búsqueda, etc.).

El reproductor multimedia JavaFX más avanzado

Sistema de comunicación aumentativa y alternativa (AAC) con conversión de texto a voz para el navegador.

Allosaurus es un reconocedor fonético universal preentrenado para más de 2000 idiomas