speech

Modelo de fala (TTS) MARS5 da CAMB.AI

SpeechGPT é uma aplicação web que permite conversar com o ChatGPT.

Biblioteca Python e ferramenta CLI para interagir com a API de conversão de texto em fala do Google Translate

Detector de Atividade de Voz (VAD): baixa latência, alto desempenho e leve

Conversão de texto em fala rápida e controlável para mais de 7000 idiomas!

Motor de áudio gratuito, fácil e portátil para jogos

Endpoint de API de conversão de texto em fala gratuito e de alta qualidade para substituir OpenAI, Azure ou ElevenLabs

Praat: Fazendo fonética por computador.

Motor de reconhecimento de fala contínua de grande vocabulário de código aberto

Lista comunitária de startups que trabalham com IA em tecnologia de áudio e música

Família SALMONN: Um conjunto de LLMs multimodais avançados

Restauração geral de fala.

Transcrição controlável. Verbatim (cada palavra, preenchimento, pausa, gagueira, som vocal) ou pretendida (o que o falante quis dizer, otimizado para legibilidade) com carimbos de data/hora em nível de palavra.

Artigos relacionados ao campo de Processamento de Linguagem Natural (com notas de leitura), modelos de reprodução e processamento de dados (código disponível em TensorFlow e PyTorch).

O MTools é um aplicativo de desktop multifuncional poderoso que integra processamento de áudio e vídeo, edição de imagem, manipulação de texto e ferramentas de codificação, com recursos de IA integrados. Projetado para simplificar seu fluxo de trabalho e aumentar a produtividade.

StreamSpeech é um modelo "tudo em um" contínuo para reconhecimento, tradução e síntese de fala offline e simultânea.

Vídeos, notas e experimentos para entender aprendizado profundo

Ferramentas para manipular dados multimodais em projetos de aprendizado de máquina.

[Não oficial] Implementação em PyTorch de "Conformer: Convolution-augmented Transformer for Speech Recognition" (INTERSPEECH 2020)

Um wrapper Python para Kaldi

Um sistema TTS de base potencializado por LLM de código aberto

Kit de ferramentas de segmentação de áudio baseado em CNN. Permite detectar fala, música, ruído e gênero do locutor. Foi projetado para estudos de igualdade de gênero em larga escala baseados no tempo de fala por gênero.

DiffWave é um vocoder neural rápido e de alta qualidade e sintetizador de formas de onda.

Código para "AnyGPT: Unified Multimodal LLM with Discrete Sequence Modeling"

Implementação de reconhecimento de fala em chinês de ponta a ponta baseada em PaddlePaddle, do básico ao avançado, com exemplos simples e projetos corporativos práticos. Suporta os modelos DeepSpeech2, Conformer e Squeezeformer mais populares atualmente.

Voxtral ASR & TTS rodando nativamente e no navegador. Uma implementação em Rust do Voxtral mini realtime ASR / TTS do Mistral usando o framework Burn ML

Um Omni Avatar interativo em tempo real construído no LiveKit, que permite integrar perfeitamente com qualquer componente de Avatar de código aberto (modelo em tempo real, visual, voz, memória, pesquisa, etc.).

🎧 🎼 O reprodutor de mídia JavaFX MAIS AVANÇADO

Sistema de Comunicação Aumentativa e Alternativa (CAA) com conversão de texto em fala para o navegador.

Allosaurus é um reconhecedor universal de fonemas pré-treinado para mais de 2000 idiomas