speech

來自 CAMB.AI 的 MARS5 語音模型 (TTS)

💬 SpeechGPT 是一個讓你與 ChatGPT 對話的網頁應用程式。

用於介接 Google Translate 文字轉語音 API 的 Python 函式庫與 CLI 工具。

語音活動偵測（VAD）：低延遲、高效能且輕量

支援超過 7000 種語言、可控制且快速的文字轉語音！

免費、簡單且可攜帶的遊戲音訊引擎

免費、高品質的文字轉語音 API 端點，可替代 OpenAI、Azure 或 ElevenLabs

Praat：用電腦進行語音學研究

開源的大詞彙量連續語音辨識引擎

從事音訊與音樂技術 AI 領域的新創公司社群清單

SALMONN 系列：一套先進的多模態 LLM

通用語音還原

可控制的轉錄。逐字（包含每個填補詞、停頓、口吃、聲音）或意圖（說話者想表達的意思，針對可讀性優化），並帶有單詞級別的時間戳記。

自然語言處理領域下的相關論文（附閱讀筆記），復現模型以及資料處理等（程式碼含 TensorFlow 和 PyTorch 兩版本）

MTools 是一個功能強大的多功能桌面應用程式，集成了音視頻處理、圖片編輯、文本操作和編碼工具，內置AI增強功能。旨在簡化您的工作流程，提升生產效率

StreamSpeech 是一個用於離線與同步語音辨識、語音翻譯及語音合成的「一體化」無縫模型。

用於理解深度學習的影片、筆記與實驗。

用於在機器學習專案中處理多模態資料的工具。

[非官方] 「Conformer: Convolution-augmented Transformer for Speech Recognition」(INTERSPEECH 2020) 的 PyTorch 實作

Kaldi 的 Python 包裝器

一個由 LLM 驅動的開源基礎 TTS 系統

基於 CNN 的音訊分割工具包。可用於偵測語音、音樂、噪音與發話者性別，專為基於各性別發話時間的大規模兩性平等研究而設計。

DiffWave 是一個快速、高品質的神經聲碼器與波形合成器。

「AnyGPT: Unified Multimodal LLM with Discrete Sequence Modeling」的程式碼

基於 PaddlePaddle 實現端到端中文語音識別，從入門到實戰，超簡單的入門案例，超實用的企業專案。支援當前最流行的 DeepSpeech2、Conformer、Squeezeformer 模型

在原生環境與瀏覽器中執行的 Voxtral ASR 與 TTS。使用 Burn ML 框架實作的 Mistral Voxtral mini 即時 ASR / TTS 的 Rust 版本

一個基於 LiveKit 建構的即時互動 Omni Avatar，讓你能夠無縫整合任何開源 Avatar 元件（即時模型、視覺、語音、記憶、搜尋等）。

🎧 🎼 最先進的 JavaFX 媒體播放器

為瀏覽器提供文字轉語音功能的輔助與替代溝通（AAC）系統

Allosaurus 是一個預先訓練的通用語音辨識器，支援超過 2000 種語言