speech

CAMB.AI の MARS5 音声モデル (TTS)

💬 SpeechGPT は、ChatGPT と会話できるようにする Web アプリケーションです。

Google 翻訳のテキスト読み上げ API と連携するための Python ライブラリおよび CLI ツール

音声活動検出 (VAD) : 低レイテンシ、高性能、軽量

7,000以上の言語に対応する、制御可能で高速なテキスト読み上げ（TTS）！

ゲーム向けの、無料で使いやすく、ポータブルなオーディオエンジン。

OpenAI、Azure、ElevenLabs の代替となる、無料かつ高品質なテキスト読み上げ（TTS）API エンドポイント

Praat：コンピュータによる音声学の分析ツール

オープンソースの大語彙連続音声認識エンジン

音声および音楽技術分野のAIを活用するスタートアップ企業のコミュニティリスト

SALMONN ファミリー：高度なマルチモーダル LLM のスイート

汎用音声修復

制御可能な文字起こし。単語単位のタイムスタンプ付きで、逐語的（フィラー、ポーズ、言い淀み、発声を含む）または意図通り（話し手の意図を反映し、読みやすさを最適化）の出力が可能

自然言語処理分野の関連論文（読書ノート付き）、モデルの再現、データ処理など（TensorFlowとPyTorchの両方のバージョンのコードを含む）

MToolsは、音声・動画処理、画像編集、テキスト操作、コーディングツールを統合し、AI拡張機能を内蔵した強力な多機能デスクトップアプリケーションです。ワークフローの簡素化と生産性の向上のために設計されています

StreamSpeech は、オフラインおよび同時音声認識、音声翻訳、音声合成のための「オールインワン」シームレスモデルです。

ディープラーニングを理解するための動画、ノート、実験

機械学習プロジェクトにおけるマルチモーダルデータを処理するためのツール

[非公式] 「Conformer: Convolution-augmented Transformer for Speech Recognition」(INTERSPEECH 2020) の PyTorch 実装

Kaldi用のPythonラッパー

オープンソースのLLMを活用した基盤TTSシステム

CNNベースの音声セグメンテーションツールキット。音声、音楽、ノイズ、話者の性別の検出が可能。性別ごとの発話時間に基づく大規模な男女平等調査向けに設計されています。

DiffWave は、高速で高品質なニューラルボコーダーおよび波形シンセサイザーです。

「AnyGPT: Unified Multimodal LLM with Discrete Sequence Modeling」のコード

PaddlePaddleに基づくエンドツーエンドの中国語音声認識。入門から実践まで、非常にシンプルな入門ケースと実用的なエンタープライズプロジェクト。現在最も人気のDeepSpeech2、Conformer、Squeezeformerモデルをサポート

Voxtral ASR と TTS をネイティブおよびブラウザ上で実行。Burn ML フレームワークを使用した Mistral の Voxtral mini リアルタイム ASR / TTS の Rust 実装

LiveKit上に構築されたリアルタイム対話型Omni Avatar。オープンソースのAvatarコンポーネント（リアルタイムモデル、ビジュアル、音声、メモリ、検索など）とシームレスに統合可能。

🎧 🎼 最も高度なJavaFXメディアプレイヤー

ブラウザ向けのテキスト読み上げ機能付き拡大・代替コミュニケーション（AAC）システム

Allosaurusは、2000以上の言語に対応する事前トレーニング済み汎用音声認識エンジンです