#speech Repositories
Insgesamt 76 Repositories
CNN-basiertes Audio-Segmentierungstoolkit. Ermöglicht die Erkennung von Sprache, Musik, Lärm und Geschlecht des Sprechers. Wurde für groß angelegte Geschlechtergleichheitsstudien basierend auf Sprechzeit pro Geschlecht entwickelt.
Ein einheitliches multimodales Sprachmodell auf Basis der Modellierung diskreter Sequenzen
DiffWave ist ein schneller, hochwertiger neuronaler Vocoder und Wellenformsynthesizer.
End-to-End-chinesische Spracherkennung basierend auf PaddlePaddle, vom Einstieg bis zur Praxis, super einfache Einstiegsbeispiele, super praktische Unternehmensprojekte. Unterstützt die derzeit beliebtesten Modelle DeepSpeech2, Conformer, Squeezeformer.
Voxtral ASR & TTS läuft nativ und im Browser. Eine Rust-Implementierung von Mistral's Voxtral mini Echtzeit-ASR/TTS mit dem Burn ML-Framework
Erweiterbare und alternative Kommunikationssysteme (AAC) mit Text-to-Speech für den Browser
Ein Pytorch-basiertes Framework für Streaming und Nicht-Streaming-Spracherkennung, das sowohl Online- als auch Offline-Erkennung unterstützt. Derzeit werden Conformer, Squeezeformer und DeepSpeech2-Modelle unterstützt, zusammen mit verschiedenen Datenaugmentationsmethoden.
Open-Source-Toolkit für End-to-End-Spracherkennung unter Nutzung von PyTorch-Lightning und Hydra.
Ein Open-Source-Modell zum Verstehen von Sprache, Umgebungsgeräuschen und Musik durch Untertitelung, Beantwortung von Fragen und Schlussfolgerungen
Lokales, OpenAI-kompatibles Text‑zu‑Speech‑API (TTS) mit Chatterbox, das es Benutzern ermöglicht, Sprachklonierte Sprache überall dort zu erzeugen, wo die OpenAI‑API verwendet wird (z. B. Open WebUI, AnythingLLM, etc.).
Allosaurus ist ein vortrainierter universeller Telefonerkennungsalgorithmus für mehr als 2000 Sprachen
:speech_balloon: /so.nus/ STT (Sprache zu Text) für Node mit Offline-Hotword-Erkennung
Eine Liste öffentlich verfügbarer Raumimpulsantwortdatensätze und Skripte zum Herunterladen.
Sprachrichtungslabor/Unternehmen/Ressourcen/Praktika usw., Empfehlungen oder Selbstbewerbungen sind willkommen
SpeechIO Leaderboard: eine große, robuste, umfassende Benchmark-Plattform für automatische Spracherkennung.
Audioproben, die Publikationen im Zusammenhang mit Tacotron, einem End-to-End-Sprachsynthesemodell, begleiten.
StarGANv2-VC: Ein diverses, unüberwachtes, nicht-paralleles Framework für natürlich klingende Stimmumwandlung
Offene Vollduplex-Sprachmodelle, die deinen Tonfall erkennen und selbst mit einem passenden Tonfall sprechen. Eine GPU mit vLLM-Omni oder vollständig offline auf einem Mac mit MLX. Zero-Shot-Sprachklonen, kompatibel mit OpenAI Realtime / GPT-Live, plus kostenloser Testzugang zur gehosteten API. Apache-2.0.