跳转到主要内容
ToolPotion
AI 顾问
提交(免费)

VibeVoice

VibeVoice是由微软开发的开源前沿语音AI项目,托管在GitHub上。它提供了先进的语音人工智能能力,包括流式自动语音识别(ASR)推理和统一的文本转语音(TTS)与ASR环境。该代码库积极维护,最近的提交集中在架构更新和文档上,邀请开发者社区的贡献。

查看仓库
分享
查看仓库
分享

VibeVoice是微软的一个开源项目,托管在GitHub上,专注于前沿语音AI技术。该代码库为开发者和研究人员提供了一个平台,以探索和贡献语音人工智能的进步。它包含多个组件,包括图形、演示、文档以及用于微调自动语音识别(ASR)和文本转语音(TTS)系统的特定模块。

阅读更多

该项目强调TTS和ASR的统一环境,旨在简化开发和集成过程。最近的更新突出了持续改进,例如ASR的架构增强和流式ASR推理能力的增加。文档定期进行完善,努力从流式ASR中移除远程音频URL获取,以确保更强大和自包含的操作。

VibeVoice旨在成为一个协作努力,正如其开源性质和存在的CONTRIBUTING.md指南所表明的。该项目维护了明确的许可证,确保正确的使用和分发。它还包括安全指南(SECURITY.md),以促进负责任的开发实践。代码库的活跃度,频繁的提交和专注的贡献者团队,标志着对推进语音AI研究和应用的持续承诺。

针对开发者、研究人员和AI爱好者,VibeVoice提供了一个基础代码库,用于构建和实验前沿语音技术。其结构,包括专门的测试文件夹和核心“vibevoice”组件,支持模块化开发和严格测试。该项目对开放标准和社区参与的承诺,使其在不断发展的语音AI领域中成为一个有价值的资源。

  • 类别AI 模型与大语言模型
  • 定价模式开源
  • 部署云端
  • 平台网页版

  • 开源语音AI项目

  • 统一的TTS和ASR环境

  • 流式自动语音识别(ASR)推理

  • ASR架构更新

  • 文本转语音(TTS)能力

  • 全面的文档

  • 积极的开发和贡献

  • 明确的许可证(LICENSE)

  • 安全指南(SECURITY.md)

  • Python 3.10+要求

  • 模块化代码库

  • 社区贡献指南

  1. 探索代码库:浏览GitHub代码库以了解项目结构和可用组件。

  2. 查看文档:阅读README.md和docs文件夹以获取概述和详细指南。

  3. 安装依赖:根据pyproject.toml中的说明设置Python 3.10或更高版本及必要的库。

  4. 克隆代码库:使用Git将VibeVoice代码库克隆到本地机器。

  5. 实验演示:运行提供的演示脚本以体验流式ASR推理。

  6. 贡献代码:遵循CONTRIBUTING.md指南提交错误修复、功能或改进。

  • 开发ASR系统
  • 实现流式语音AI
  • 文本转语音研究
  • 语音AI实验
  • 教育AI项目

与 VibeVoice 类似的热门AI工具

Voicebox

AI GitHub 仓库

Voicebox 是一个开源的 AI 语音工作室,允许用户克隆、听写和创建语音项目。它提供了一个语音合成和处理的平台,非常适合开发人员和音频工程师。

AI 模型与大语言模型
查看工具

AI GitHub 仓库

开源的 AI 语音工作室,允许用户克隆、听写和创建语音项目。它提供了一个语音合成和处理的平台,非常适合开发人员和音频工程师。Voicebox 是一个开源的 AI 语音工作室,允许用户克隆、听写和创建语音项目。它提供了一个语音合成和处理的平台,非常适合开发人员和音频工程师。

AI 模型与大语言模型
查看 AI GitHub 仓库 Top 250

FunASR

AI GitHub 仓库

FunASR是一个开源语音识别工具包,旨在用于训练、推理和流式ASR。它支持VAD、标点、说话人分离以及与OpenAI兼容的MCP服务,使其成为开发人员的多功能工具。

AI 转录工具

AI GitHub 仓库 排名第 110 位

查看工具

AI GitHub 仓库

开源语音识别工具包,旨在用于训练、推理和流式ASR。它支持VAD、标点、说话人分离以及与OpenAI兼容的MCP服务,使其成为开发人员的多功能工具。FunASR是一个开源语音识别工具包,旨在用于训练、推理和流式ASR。它支持VAD、标点、说话人分离以及与OpenAI兼容的MCP服务,使其成为开发人员的多功能工具。

AI 转录工具
AI GitHub 仓库 排名第 110 位

ESPnet

AI GitHub 仓库

ESPnet 是一个用于端到端语音处理的开源工具包。它提供了用于自动语音识别 (ASR)、文本到语音合成 (TTS) 和语音增强等任务的全面脚本和工具。用户可以使用其灵活的框架轻松运行推理、微调现有模型或实现自定义解决方案。

AI 模型与大语言模型
查看工具

AI GitHub 仓库

用于端到端语音处理的开源工具包。它提供了用于自动语音识别 (ASR)、文本到语音合成 (TTS) 和语音增强等任务的全面脚本和工具。用户可以使用其灵活的框架轻松运行推理、微调现有模型或实现自定义解决方案。ESPnet 是一个用于端到端语音处理的开源工具包。它提供了用于自动语音识别 (ASR)、文本到语音合成 (TTS) 和语音增强等任务的全面脚本和工具。用户可以使用其灵活的框架轻松运行推理、微调现有模型或实现自定义解决方案。

AI 模型与大语言模型
查看 AI GitHub 仓库 Top 250

Whisper Diarization

AI GitHub 仓库

Whisper Diarization 是一个 GitHub 项目,结合了自动语音识别和使用 OpenAI Whisper 的说话人分离。它使用户能够转录音频并识别录音中的不同说话者,非常适合会议、访谈等场景。

AI 转录工具
查看工具

AI GitHub 仓库

GitHub 项目,结合了自动语音识别和使用 OpenAI Whisper 的说话人分离。它使用户能够转录音频并识别录音中的不同说话者,非常适合会议、访谈等场景。Whisper Diarization 是一个 GitHub 项目,结合了自动语音识别和使用 OpenAI Whisper 的说话人分离。它使用户能够转录音频并识别录音中的不同说话者,非常适合会议、访谈等场景。

AI 转录工具
查看 AI GitHub 仓库 Top 250

SpeechBrain

AI GitHub 仓库

SpeechBrain 是一个基于 PyTorch 的开源语音处理工具包,支持语音识别、说话人验证和语言识别等多种应用,为研究人员和开发者提供了一个灵活且可扩展的平台。

AI 语音生成器
查看工具

AI GitHub 仓库

基于 PyTorch 的开源语音处理工具包,支持语音识别、说话人验证和语言识别等多种应用,为研究人员和开发者提供了一个灵活且可扩展的平台。SpeechBrain 是一个基于 PyTorch 的开源语音处理工具包,支持语音识别、说话人验证和语言识别等多种应用,为研究人员和开发者提供了一个灵活且可扩展的平台。

AI 语音生成器
查看 AI GitHub 仓库 Top 250

Sherpa-ONNX

AI GitHub 仓库

Sherpa-ONNX是一个开源项目,提供语音转文本、文本转语音、说话人分离等功能,使用Kaldi与onnxruntime。它支持多种平台和编程语言,具备离线能力。

自然语言处理工具

文字转语音 排名第 58 位

查看工具

AI GitHub 仓库

开源项目,提供语音转文本、文本转语音、说话人分离等功能,使用Kaldi与onnxruntime。它支持多种平台和编程语言,具备离线能力。Sherpa-ONNX是一个开源项目,提供语音转文本、文本转语音、说话人分离等功能,使用Kaldi与onnxruntime。它支持多种平台和编程语言,具备离线能力。

自然语言处理工具
文字转语音 排名第 58 位

openclaude

AI GitHub 仓库

OpenClaude 是一个多功能的 AI 项目,托管在 GitHub 上,旨在运行于各种平台并利用多样的资源。它鼓励社区贡献,以增强其开发和功能。

AI 模型与大语言模型
查看工具

AI GitHub 仓库

多功能的 AI 项目,托管在 GitHub 上,旨在运行于各种平台并利用多样的资源。它鼓励社区贡献,以增强其开发和功能。OpenClaude 是一个多功能的 AI 项目,托管在 GitHub 上,旨在运行于各种平台并利用多样的资源。它鼓励社区贡献,以增强其开发和功能。

AI 模型与大语言模型
查看 AI GitHub 仓库 Top 250

芝麻 CSM

AI GitHub 仓库

芝麻 CSM 是一个对话式语音生成模型,旨在增强语音合成能力。它允许开发者在 GitHub 上参与其开发,促进 AI 驱动的语音技术的协作与创新。

AI 模型与大语言模型
查看工具

AI GitHub 仓库

对话式语音生成模型,旨在增强语音合成能力。它允许开发者在 GitHub 上参与其开发,促进 AI 驱动的语音技术的协作与创新。芝麻 CSM 是一个对话式语音生成模型,旨在增强语音合成能力。它允许开发者在 GitHub 上参与其开发,促进 AI 驱动的语音技术的协作与创新。

AI 模型与大语言模型
查看 AI GitHub 仓库 Top 250
1/8