speech

Mô hình giọng nói MARS5 (TTS) từ CAMB.AI

💬 SpeechGPT là một ứng dụng web cho phép bạn trò chuyện với ChatGPT.

Thư viện Python và công cụ CLI để giao tiếp với API chuyển đổi văn bản thành giọng nói của Google Translate

Trình phát hiện hoạt động giọng nói (VAD): độ trễ thấp, hiệu suất cao và nhẹ

Chuyển văn bản thành giọng nói có thể kiểm soát và nhanh chóng cho hơn 7000 ngôn ngữ!

Côngengine âm thanh miễn phí, dễ sử dụng và di động cho trò chơi

Endpoint API chuyển văn bản thành giọng nói miễn phí, chất lượng cao để thay thế OpenAI, Azure hoặc ElevenLabs

Praat: Phân tích ngữ âm bằng máy tính

Công cụ nhận dạng giọng nói liên tục từ vựng lớn mã nguồn mở

Danh sách cộng đồng các startup hoạt động trong lĩnh vực công nghệ âm thanh và AI âm nhạc

Dòng SALMONN: Bộ LLM đa phương thức tiên tiến

Khôi phục giọng nói chung

Bản ghi âm có thể điều khiển. Nguyên văn (mọi từ đệm, khoảng dừng, lắp bắp, âm thanh phát ra), hoặc theo ý định (ý người nói muốn diễn đạt, được tối ưu hóa cho khả năng đọc) với dấu thời gian ở cấp độ từ.

Các bài báo liên quan trong lĩnh vực xử lý ngôn ngữ tự nhiên (kèm ghi chú đọc), tái hiện mô hình và xử lý dữ liệu (mã nguồn có cả hai phiên bản TensorFlow và PyTorch)

MTools là một ứng dụng máyδ để bàn đa chức năng mạnh mẽ, tích hợp các công cụ xử lý âm thanh/video, chỉnh sửa hình ảnh, thao tác văn bản và mã hóa, với các tính năng nâng cao bằng AI tích hợp. Được thiết kế để đơn giản hóa quy trình làm việc và nâng cao năng suất của bạn.

StreamSpeech là một mô hình liền mạch "tất cả trong một" dành cho nhận dạng giọng nói ngoại tuyến và đồng thời, dịch giọng nói và tổng hợp giọng nói.

Video, ghi chú và các thí nghiệm để tìm hiểu về deep learning

Các công cụ để xử lý dữ liệu đa phương thức trong các dự án học máy.

[Không chính thức] Triển khai bằng PyTorch của "Conformer: Convolution-augmented Transformer for Speech Recognition" (INTERSPEECH 2020)

Một trình bao bọc Python cho Kaldi

Hệ thống TTS nền tảng mã nguồn mở được hỗ trợ bởi LLM

Bộ công cụ phân đoạn âm thanh dựa trên CNN. Cho phép phát hiện giọng nói, âm nhạc, tiếng ồn và giới tính người nói. Được thiết kế cho các nghiên cứu bình đẳng giới quy mô lớn dựa trên thời gian nói theo giới tính.

DiffWave là một bộ tổng hợp dạng sóng và bộ tạo giọng nói neural nhanh chóng, chất lượng cao.

Mã nguồn cho "AnyGPT: Unified Multimodal LLM with Discrete Sequence Modeling"

Triển khai nhận dạng giọng nói tiếng Trung đầu cuối dựa trên PaddlePaddle, từ cơ bản đến thực tế, với các ví dụ nhập môn đơn giản và dự án doanh nghiệp thiết thực. Hỗ trợ các mô hình phổ biến hiện nay như DeepSpeech2, Conformer và Squeezeformer.

Voxtral ASR & TTS chạy nguyên bản và trên trình duyệt. Một triển khai Rust của Voxtral mini realtime ASR/TTS từ Mistral sử dụng framework Burn ML.

Omni Avatar tương tác thời gian thực được xây dựng trên LiveKit, cho phép tích hợp liền mạch với bất kỳ thành phần Avatar mã nguồn mở nào (mô hình thời gian thực, hình ảnh, giọng nói, bộ nhớ, tìm kiếm, v.v.).

Trình phát đa phương tiện JavaFX TIÊN TIẾN NHẤT.

Hệ thống giao tiếp tăng cường và thay thế (AAC) với tính năng chuyển văn bản thành giọng nói trên trình duyệt.

Allosaurus là bộ nhận diện âm vị phổ quát được huấn luyện trước cho hơn 2000 ngôn ngữ.