#speech Репозитории
Всего репозиториев: 76
Инструментарий для сегментации аудио на основе CNN. Позволяет обнаруживать речь, музыку, шум и пол говорящего. Разработан для масштабных исследований гендерного равенства на основе времени речи по гендерам.
Единая мультимодальная языковая модель на основе моделирования дискретных последовательностей
DiffWave — это быстрый, высококачественный нейронный вокодер и синтезатор волновых форм.
Сквозная система распознавания китайской речи на основе PaddlePaddle, от основ до практики, сверхпростые примеры для начинающих, сверхпрактичные корпоративные проекты. Поддерживает самые популярные в настоящее время модели DeepSpeech2, Conformer, Squeezeformer.
Voxtral ASR & TTS работает нативно и в браузере. Реализация на Rust Voxtral mini реального времени ASR/TTS от Mistral с использованием фреймворка ML Burn
Система аугментативной и альтернативной коммуникации (ААК) с функцией преобразования текста в речь для браузера
Базовый фреймворк Pytorch для потокового и непотокового автоматического распознавания речи, совместимый как с онлайн, так и с оффлайн распознаванием. В настоящее время он поддерживает модели Conformer, Squeezeformer и DeepSpeech2, а также различные методы аугментации данных.
Инструментарий с открытым исходным кодом для сквозного распознавания речи на базе PyTorch-Lightning и Hydra.
Открытая модель для понимания речи, звуков окружающей среды и музыки посредством создания описаний, ответов на вопросы и рассуждений
Локальный API синтеза речи (TTS), совместимый с OpenAI, использующий Chatterbox, позволяющий пользователям генерировать клонируемую речь где угодно, где используется API OpenAI (например, Open WebUI, AnythingLLM и т.д.).
Allosaurus — предварительно обученный универсальный распознаватель речи для более чем 2000 языков
:speech_balloon: /so.nus/ STT (речь в текст) для Node с оффлайн-обнаружением горячих слов
Список общедоступных наборов данных импульсных характеристик помещений и скриптов для их загрузки.
Лаборатория/компания/ресурсы/стажировки в области голосового направления и т. д., приветствуются рекомендации или саморекомендации
SpeechIO Leaderboard: большая, надежная, комплексная платформа для бенчмаркинга автоматического распознавания речи.
Аудиообразцы, сопровождающие публикации, связанные с Tacotron, моделью сквозного синтеза речи.
StarGANv2-VC: Разнообразный, неконтролируемый, непараллельный фреймворк для естественно звучащей конвертации голоса
Открытые полнодуплексные голосовые модели, которые распознают вашу интонацию и говорят со своей собственной. Одна GPU с vLLM-Omni или полностью автономная работа на Mac с MLX. Клонирование голоса без примеров, совместимость с OpenAI Realtime / GPT-Live и бесплатный пробный доступ к размещённому API. Apache-2.0.