audio 第 1 页

本站收录 87 个带「audio」标签的 AI 开源项目(按 GitHub 星标从高到低,第 1 / 2 页)

transformersHugging Face 出品的模型定义框架,支持文本、视觉、音频与多模态模型,覆盖推理与训练全流程,是当前研究和生产中最主流的开源模型生态基石。★ 168,996VoxCPMVoxCPM2 是一款无分词器的多语言语音生成模型,支持多语种语音合成、创意音色设计与高保真声音克隆。无需传统分词器即可直接生成语音,带来更自然、更真实的合成效★ 42,502FunASRFunASR 是阿里开源的多语言语音识别工具包,专为中文场景深度优化,同时支持英文、日文等。它解决了从训练到部署的全链路问题,包括语音识别(ASR)、端点检测(★ 21,029speechbrainSpeechBrain 是一个基于 PyTorch 的开源语音工具包,旨在为语音识别、说话人识别、语音增强、语音分离、情感识别等多种语音任务提供统一、灵活且易用★ 11,938AudioGPTAudioGPT 是一个多模态音频处理框架,旨在统一理解和生成语音、音乐、声音以及说话头(Talking Head)等音频相关任务。它解决了传统音频模型功能单一★ 10,171speech_recognition这是一个Python语音识别模块,支持多种引擎和API,涵盖在线和离线场景。它解决了开发者需要统一接口调用不同语音识别服务的问题,通过简单的API即可实现从麦克★ 9,004RecorderRecorder 是一个基于 HTML5 的纯前端录音库,旨在解决浏览器和混合应用中录音格式不统一、兼容性差的问题。它支持 mp3、wav、ogg、webm、a★ 5,641earshotearshot 是一个面向编码智能体(coding agent)的音频能力层,让 AI 不仅能写代码,还能“听”和“做”声音。它解决的是当前 AI 编程助手只能★ 4,880MOSS-TTSMOSS-TTS 是由 MOSI.AI 和 OpenMOSS 团队开发的开源语音与声音生成模型家族,专注于高保真、高表现力及复杂真实场景的语音合成。它解决了传统★ 4,329audio.cppaudio.cpp 是一个基于 ggml 的纯 C++ 音频模型推理引擎,旨在为音频 AI 应用提供一体化、高性能的本地推理解决方案。它解决了传统音频 AI 工★ 4,244riffusion-hobbyriffusion-hobby 是一个基于 Stable Diffusion 的音乐生成开源项目,将图像生成技术应用于音频频谱图,实现实时音乐创作。它解决了传统★ 3,908SimpleMemSimpleMem 是一个为大型语言模型(LLM)智能体设计的终身记忆模块,旨在解决智能体在长期交互中遗忘历史信息、缺乏持续学习能力的问题。它通过高效的记忆存储★ 3,877FluidAudioFluidAudio 是一个面向 iOS/macOS 开发者的 Swift 框架,旨在将前沿的 CoreML 音频模型无缝集成到原生应用中。它解决了开发者难以在★ 3,300aeneasaeneas 是一个用 Python/C 编写的开源工具集,用于自动将音频与文本进行强制对齐,即自动生成音频中每个单词或句子对应的时间戳。它解决了人工手动标注音★ 2,876riffusion-app-hobbyriffusion-app-hobby 是一个基于 Stable Diffusion 的实时音乐生成 Web 应用,将图像生成模型应用于音频频谱图,实现从文本或★ 2,672MOSS-Transcribe-DiarizeMOSS-Transcribe-Diarize 是一个轻量级(0.9B 参数)的多语言长语音转写与说话人分离模型,支持 50 多种语言,并集成时间戳和声学事件识★ 2,273yovoiceyovoice 是一款面向 macOS 和 Windows 的开源桌面语音创作工具,主打本地化文本转语音(TTS)、声音克隆与情感控制。它解决的核心问题是:主流★ 2,197AngelSlimAngelSlim 是一个面向大语言模型的开源压缩工具包,旨在让模型压缩更易用、更全面、更高效。它解决了模型部署中体积大、推理慢、成本高的问题,提供从剪枝、量化★ 1,789PostBot 内容同步助手PostBot 内容同步助手是一款开源的多平台内容同步分发生产力工具。支持将文章、笔记、动态、图片、视频、音频等内容一键同步发布至主流媒体平台,覆盖微信/微博/★ 1,675SALMONNSALMONN 是一个先进的多模态大语言模型(LLM)家族,由清华团队开发,旨在让机器能够同时理解和处理语音、音频、音乐、视频等多种模态信息。它解决了传统模型只★ 1,572CrisperWhisperCrisperWhisper 是一个基于 OpenAI Whisper 的语音识别增强工具,专注于解决标准 Whisper 输出中时间戳不精确和缺少语气词(如“★ 1,490spotlightSpotlight 是一个基于 TypeScript 的开源交互式数据探索工具,专为处理非结构化数据集而设计。在机器学习和数据科学工作中,图像、音频、视频等非结★ 1,285TTS-Audio-SuiteTTS-Audio-Suite 是一个 ComfyUI 自定义节点集成包,旨在为本地多引擎、多语言的文本转语音(TTS)和语音转换(VC)提供一站式解决方案。它★ 1,265lhotseLhotse 是面向语音与多模态机器学习的 Python 数据工具库,重点解决训练数据准备和加载环节的工程复杂度。它把音频、文本、特征等异构数据统一抽象成可序列★ 1,164ai-audio-datasets覆盖语音、音乐与音效的 AI 音频数据集合集,为生成式 AI、AIGC、模型训练与智能音频工具开发提供高质量训练数据,是构建音频 AI 应用、开展相关研究的实用★ 972Confucius4-TTSConfucius4-TTS 是一个多语言与跨语言零样本语音合成引擎,基于 PyTorch 构建。它解决的核心问题是:在无需针对特定说话人进行微调的情况下,用极★ 859voxtral-mini-realtime-rs这是一个用 Rust 实现 Mistral Voxtral mini 实时语音识别(ASR)和语音合成(TTS)的开源项目,基于 Burn 机器学习框架,支持本★ 827party-modeparty-mode 是一个实验性的音乐可视化项目,基于 d3.js 和 Web Audio API 构建。它能够解析音频文件的频谱数据,并将其转化为动态的、由★ 808ComeCutComeCut(来剪)是一个轻量级视频编辑器,提供网页版和桌面版,完全免费使用。它的功能设计借鉴了 CapCut 等主流编辑器,旨在为用户提供一个无需复杂安装、★ 618JJazzLabJJazzLab 是一款开源的自动伴奏生成应用,专为音乐人、练习者和即兴演奏者设计。它解决了在没有真实乐队的情况下,如何快速获得高质量伴奏音乐的问题。用户只需输★ 616ComfyUI-VibeVoiceComfyUI-VibeVoice 是一个为 ComfyUI 设计的自定义节点,用于集成 VibeVoice 文本转语音(TTS)引擎。它解决了在 ComfyU★ 612liquid-audioLiquid Audio 是 Liquid AI 推出的语音到语音(speech-to-speech)音频模型系列,旨在解决传统语音处理流水线中模块割裂、延迟高★ 596tacotronTacotron是Google提出的端到端语音合成模型,该项目是其论文的音频样本展示页。它解决了传统TTS系统需要复杂前端文本分析和声学建模的问题,直接通过注意★ 538whisplay-ai-chatbot这是一个基于树莓派 Zero 2W 或 5 的袖珍 AI 聊天机器人项目,名为 whisplay-ai-chatbot。它利用 TypeScript 构建,整合★ 536muspyMusPy 是一个用于符号音乐生成的开源 Python 工具包,旨在为音乐生成研究和应用提供统一、高效的基础设施。它解决了音乐生成领域中数据格式混乱、数据集不兼★ 531ComfyUI-VoxCPMComfyUI-VoxCPM 是一个为 ComfyUI 设计的音频生成节点,专注于高表现力的语音合成和零样本声音克隆。它解决了在 ComfyUI 工作流中集成先★ 521audio-development-toolsAudio Development Tools (ADT) 是一个面向音频技术研发的开源项目,旨在整合声音、语音和音乐领域的开发工具链。它解决音频开发者缺乏统一★ 475speech_datasetspeech_dataset 是一个面向语音识别(ASR)研究的中文语音数据集仓库,旨在为深度学习语音模型提供训练与评估所需的音频资源。项目整理了多种来源的语音★ 470google-speech-v2google-speech-v2 是一个针对 Google 语音转文字 API(v2 版本)的逆向工程项目。它通过分析 Google 内部接口的请求协议,提供了★ 468potatopotato 是一个轻量级、可移植的数据标注工具,旨在为 AI 研究和开发提供灵活高效的标注解决方案。它解决了传统标注工具部署复杂、难以定制、难以适应多模态数据★ 445audio.cpp-webuiaudio.cpp-webui 是一个基于 ggml 的纯 C++ 音频模型推理引擎,为 audio.cpp 提供全任务 WebUI。它支持语音合成(TTS)、★ 432mirdatamirdata 是一个面向音乐信息检索(MIR)研究的 Python 库,用于统一加载、校验和访问各类公开 MIR 数据集。MIR 领域数据集格式混乱、目录结构★ 420AudioToTextAudioToText 是一个基于 Jupyter Notebook 的开源工具,核心思路是把 OpenAI 的 Whisper 语音识别模型和 DeepL 翻★ 398xcodecxcodec 是一个面向音频语言模型的语义编解码器,由香港科技大学等机构在 AAAI 2025 提出。它针对传统音频编解码器(如 EnCodec)在语义信息保留★ 316LLMVoXLLMVoX 是一个将任意大型语言模型(LLM)转换为支持流式语音对话的端到端系统。它解决了传统语音助手需要额外语音识别和合成模块、延迟高且交互不自然的问题。核★ 313MACaQMACaQ 是一个模型无关的量化工具,面向 GGUF 格式与本地推理场景。它解决的核心问题是:不同模态、不同推理框架的模型往往需要各自独立的量化流程,导致部署成★ 297aixploraAIxplora 是一个开源工具,让你能够查询各种类型的文件,不受长度或格式限制。它基于 TypeScript 构建,支持音频、PDF 等格式,利用嵌入模型和生★ 270MOSS-Audio-TokenizerMOSS-Audio-Tokenizer 是一个基于因果 Transformer 架构(CAT)的音频分词器,旨在将连续音频信号转换为离散 token,为音频语★ 268llama_rosllama_ros 是一个把 llama.cpp 与 llava.cpp 封装进 ROS 2 的开源框架,让机器人开发者能直接在 ROS 2 节点里运行 GGU★ 268go-astibobgo-astibob 是一个基于 Go 语言构建的 AI 框架,旨在帮助开发者快速搭建能够理解语音并回应的智能助手。它解决了从零开始集成语音识别(STT)和语音★ 243