voice-activity-detection

Bộ công cụ nhận dạng giọng nói nguồn mở dành cho huấn luyện, suy luận, streaming ASR, VAD, dấu câu, pipeline phân đoạn người nói (speaker diarization) và phục vụ tương thích với OpenAI/MCP.

Khối xây dựng thần kinh cho việc phân đoạn người nói: phát hiện hoạt động giọng nói, phát hiện thay đổi người nói, phát hiện giọng nói chồng chéo, nhúng người nói

Khử nhiễu micro thời gian thực trên Linux.

Silero VAD: Trình phát hiện hoạt động giọng nói cấp doanh nghiệp đã được huấn luyện sẵn

Tự động đồng bộ phụ đề với video một cách kỳ diệu.

Các mô hình âm thanh CoreML tiên tiến trong ứng dụng của bạn — chuyển văn bản thành giọng nói, chuyển giọng nói thành văn bản, phát hiện hoạt động giọng nói và phân đoạn người nói. Viết bằng Swift, cung cấp bởi các mã nguồn mở SOTA.

Giải pháp thay thế mã nguồn mở cho Cluely - Trợ lý AI siêu nhanh, ưu tiên quyền riêng tư, hoạt động mượt mà trong các cuộc họp, phỏng vấn và trò chuyện mà không ai biết. Được xây dựng bằng Tauri cho hiệu năng nguyên bản, dung lượng chỉ 10MB. Hoàn toàn không thể bị phát hiện trong cuộc gọi video, chia sẻ màn hình và bản ghi.

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

🔊 Danh sách toàn diện các tập dữ liệu mã nguồn mở cho điện toán giọng nói và âm thanh (hơn 95 tập dữ liệu).

Bộ phát hiện hoạt động giọng nói (VAD) cho trình duyệt với API đơn giản

Một gói python để xây dựng các ứng dụng âm thanh thời gian thực được hỗ trợ bởi AI

Nhận dạng giọng nói thời gian thực và phát hiện hoạt động giọng nói (VAD) sử dụng Kaldi thế hệ mới với ncnn mà không cần kết nối Internet. Hỗ trợ iOS, Android, Linux, macOS, Windows, Raspberry Pi, VisionFive2, LicheePi4A, v.v.

💎 Danh sách các kho ngữ liệu giọng nói có thể truy cập cho ASR, TTS và các Công nghệ Giọng nói khác

Bộ công cụ giọng nói AI dành cho Apple Silicon — ASR, TTS, chuyển đổi giọng nói thành giọng nói, VAD và phân đoạn người nói được hỗ trợ bởi MLX và CoreML

Trợ lý AI bằng Python

Whisper.net. Chuyển đổi giọng nói thành văn bản đơn giản bằng các mô hình Whisper

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.

Công cụ phát hiện hoạt động giọng nói và phân đoạn âm thanh

Hệ thống ASR tất cả trong một cấp công nghiệp SOTA với các mô-đun ASR, VAD, LID và Punc. FireRedASR2 hỗ trợ tiếng Trung (Quan thoại, 20+ phương ngữ/giọng), tiếng Anh, chuyển đổi mã, và ASR cho cả giọng nói lẫn hát. FireRedVAD hỗ trợ giọng nói/hát/nhạc bằng 100+ ngôn ngữ. FireRedLID hỗ trợ 100+ ngôn ngữ và 20+ phương ngữ tiếng Trung. FireRedPunc hỗ trợ tiếng Trung và tiếng Anh.

Pipeline chuyển đổi giọng nói thành văn bản được tối ưu hóa cho mô hình Whisper, hỗ trợ nhiều công cụ suy luận.

Công cụ phát hiện hoạt động giọng nói và sự kiện âm thanh cấp công nghiệp SOTA, hỗ trợ hơn 100 ngôn ngữ, vượt trội hơn Silero-VAD, TEN-VAD, FunASR-VAD và WebRTC-VAD

Tự động đồng bộ và dịch phụ đề, hoặc tạo phụ đề mới bằng cách chuyển đổi giọng nói thành văn bản, sử dụng DNN tiền huấn luyện, Forced Alignments và Transformers.

Thư viện Phát hiện Hoạt động Giọng nói (VAD) cho Android. Hỗ trợ các mô hình WebRTC VAD GMM, Silero VAD DNN và Yamnet VAD DNN.