speech

CAMB.AI से MARS5 स्पीच मॉडल (TTS)

💬 SpeechGPT एक वेब एप्लिकेशन है जो आपको ChatGPT के साथ बातचीत करने की अनुमति देता है।

Google Translate की टेक्स्ट-टू-स्पीच API के साथ इंटरफेस करने के लिए Python लाइब्रेरी और CLI टूल।

वॉयस एक्टिविटी डिटेक्टर (VAD): कम-विलंबता, उच्च-प्रदर्शन और हल्का

7000 से अधिक भाषाओं के लिए नियंत्रणीय और तेज़ Text-to-Speech!

गेम के लिए स्वतंत्र, आसान और पोर्टेबल ऑडियो इंजन।

OpenAI, Azure, या ElevenLabs को बदलने के लिए मुफ़्त, उच्च-गुणवत्ता वाला text-to-speech API एंडपॉइंट

Praat: कंप्यूटर द्वारा ध्वन्यात्मकता (Phonetics) करना

ओपन-सोर्स लार्ज वोकैबुलरी कंटीन्यूअस स्पीच रिकग्निशन इंजन

ऑडियो और संगीत तकनीक में AI के साथ काम करने वाले स्टार्टअप्स की कम्युनिटी सूची

SALMONN परिवार: उन्नत मल्टी-मोडल LLMs का एक सूट

सामान्य भाषण बहाली

नियंत्रित ट्रांसक्रिप्शन। शब्द-स्तर के टाइमस्टैम्प के साथ सटीक (प्रत्येक फिलर, विराम, हकलाना, स्वर ध्वनि) या इच्छित (वक्ता क्या कहना चाहता था, पठनीयता के लिए अनुकूलित)।

प्राकृतिक भाषा प्रसंस्करण के क्षेत्र में संबंधित शोध पत्र (पढ़ने के नोट्स के साथ), मॉडल पुनरुत्पादन और डेटा प्रसंस्करण आदि (कोड में TensorFlow और PyTorch दोनों संस्करण शामिल हैं)

MTools एक शक्तिशाली बहु-कार्यात्मक डेस्कटॉप एप्लिकेशन है, जो ऑडियो-वीडियो प्रोसेसिंग, इमेज एडिटिंग, टेक्स्ट ऑपरेशन और कोडिंग टूल को एकीकृत करता है, जिसमें अंतर्निहित AI संवर्द्धन विशेषताएं हैं। इसका उद्देश्य आपके वर्कफ़्लो को सरल बनाना और उत्पादकता बढ़ाना है।

StreamSpeech ऑफ़लाइन और एक साथ स्पीच रिकग्निशन, स्पीच ट्रांसलेशन और स्पीच सिंथेसिस के लिए एक "ऑल इन वन" सीमलेस मॉडल है।

डीप लर्निंग को समझने के लिए वीडियो, नोट्स और प्रयोग

मशीन लर्निंग प्रोजेक्ट्स में मल्टीमॉडल डेटा को संभालने के लिए उपकरण।

"Conformer: Convolution-augmented Transformer for Speech Recognition" (INTERSPEECH 2020) का [अनौपचारिक] PyTorch कार्यान्वयन

Kaldi के लिए एक Python रैपर।

एक ओपन-सोर्स LLM-सक्षम फाउंडेशन TTS सिस्टम

CNN-आधारित ऑडियो सेगमेंटेशन टूलकिट। यह स्पीच, म्यूजिक, नॉइज़ और स्पीकर के जेंडर का पता लगाने की अनुमति देता है। इसे प्रति जेंडर स्पीच समय के आधार पर बड़े पैमाने पर जेंडर समानता अध्ययन के लिए डिज़ाइन किया गया है।

DiffWave एक तेज़, उच्च-गुणवत्ता वाला न्यूरल वोकोडर और वेवफॉर्म सिंथेसाइज़र है।

AnyGPT: डिस्क्रीट सीक्वेंस मॉडलिंग के साथ यूनिफाइड मल्टीमॉडल LLM के लिए कोड

PaddlePaddle पर आधारित एंड-टू-एंड चीनी वॉयस रिकग्निशन, शुरुआती से लेकर व्यावहारिक प्रोजेक्ट्स तक। DeepSpeech2, Conformer और Squeezeformer मॉडल्स का समर्थन करता है।

Voxtral ASR और TTS जो नेटिव और ब्राउज़र में चलते हैं। Burn ML फ्रेमवर्क का उपयोग करके Mistral के Voxtral mini रीयल-टाइम ASR / TTS का एक Rust कार्यान्वयन।

LiveKit पर बनाया गया एक रियल-टाइम इंटरैक्टिव Omni Avatar, जो आपको किसी भी ओपन सोर्स अवतार घटकों (रियल-टाइम मॉडल, विजुअल, वॉयस, मेमोरी, सर्च, आदि) के साथ सहजता से एकीकृत करने की अनुमति देता है।

🎧 🎼 सबसे उन्नत JavaFX मीडिया प्लेयर।

ब्राउज़र के लिए टेक्स्ट-टू-स्पीच के साथ ऑगमेंटेटिव और अल्टरनेटिव कम्युनिकेशन (AAC) सिस्टम

Allosaurus 2000 से अधिक भाषाओं के लिए एक प्रीट्रेन्ड यूनिवर्सल फोन रिकॉग्नाइज़र है