# 自動語音識別

parakeet-tdt-0.6b-v2
Parakeet Tdt 0.6b V2
parakeet-tdt-0.6b-v2 是一個 600 百萬參數的自動語音識別(ASR)模型,旨在實現高質量的英語轉錄,具有準確的時間戳預測和自動標點符號、大小寫支持。該模型基於 FastConformer 架構,能夠高效地處理長達 24 分鐘的音頻片段,適合開發者、研究人員和各行業應用。
語音識別
51.1K
PengChengStarling
Pengchengstarling
PengChengStarling 是一個專注於多語言自動語音識別(ASR)的開源工具包,基於 icefall 項目開發。它支持完整的 ASR 流程,包括數據處理、模型訓練、推理、微調和部署。該工具包通過優化參數配置和集成語言 ID 到 RNN-Transducer 架構中,顯著提升了多語言 ASR 系統的性能。其主要優點包括高效的多語言支持、靈活的配置設計以及強大的推理性能。PengChengStarling 的模型在多種語言上表現出色,且模型規模較小,推理速度極快,適合需要高效語音識別的場景。
語音識別
60.4K
BetterWhisperX
Betterwhisperx
BetterWhisperX是一個基於WhisperX改進的自動語音識別模型,它能夠提供快速的語音轉文字服務,並具備詞級時間戳和說話人識別功能。這個工具對於需要處理大量音頻數據的研究人員和開發者來說非常重要,因為它可以大幅提高語音數據處理的效率和準確性。產品背景基於OpenAI的Whisper模型,但做了進一步的優化和改進。目前,該項目是免費且開源的,定位於為開發者社區提供更高效、更準確的語音識別工具。
語音識別
93.6K
Moonshine Web
Moonshine Web
Moonshine Web是一個基於React和Vite構建的簡單應用,它運行了Moonshine Base,這是一個針對快速準確自動語音識別(ASR)優化的強大語音識別模型,適用於資源受限的設備。該應用在瀏覽器端本地運行,使用Transformers.js和WebGPU加速(或WASM作為備選)。它的重要性在於能夠為用戶提供一個無需服務器即可在本地進行語音識別的解決方案,這對於需要快速處理語音數據的應用場景尤為重要。
語音識別
56.3K
whisper-ner-v1
Whisper Ner V1
Whisper-NER是一個創新的模型,它允許同時進行語音轉錄和實體識別。該模型支持開放類型的命名實體識別(NER),能夠識別多樣化和不斷演變的實體。Whisper-NER旨在作為自動語音識別(ASR)和NER下游任務的強大基礎模型,並且可以在特定數據集上進行微調以提高性能。
實體識別
52.2K
WhisperNER
Whisperner
WhisperNER是一個結合了自動語音識別(ASR)和命名實體識別(NER)的統一模型,具備零樣本能力。該模型旨在作為ASR帶NER的下游任務的強大基礎模型,並可以在特定數據集上進行微調以提高性能。WhisperNER的重要性在於其能夠同時處理語音識別和實體識別任務,提高了處理效率和準確性,尤其在多語言和跨領域的場景中具有顯著優勢。
命名實體識別
48.3K
Moonshine
Moonshine
Moonshine 是一系列為資源受限設備優化的語音轉文本模型,非常適合即時、設備上的應用程序,如現場轉錄和語音命令識別。在 HuggingFace 維護的 OpenASR 排行榜中使用的測試數據集上,Moonshine 的詞錯誤率(WER)優於同樣大小的 OpenAI Whisper 模型。此外,Moonshine 的計算需求隨著輸入音頻的長度而變化,這意味著較短的輸入音頻處理得更快,與 Whisper 模型不同,後者將所有內容都作為 30 秒的塊來處理。Moonshine 處理 10 秒音頻片段的速度是 Whisper 的 5 倍,同時保持相同或更好的 WER。
語音識別
64.0K
優質新品
Whisper large-v3-turbo
Whisper Large V3 Turbo
Whisper large-v3-turbo是OpenAI提出的一種先進的自動語音識別(ASR)和語音翻譯模型。它在超過500萬小時的標記數據上進行訓練,能夠在零樣本設置中泛化到許多數據集和領域。該模型是Whisper large-v3的微調版本,解碼層從32減少到4,以提高速度,但可能會略微降低質量。
AI語音識別
106.3K
CrisperWhisper
Crisperwhisper
CrisperWhisper是基於OpenAI的Whisper模型的高級變體,專為快速、準確、逐字的語音識別設計,提供準確的詞級時間戳。與原始Whisper模型相比,CrisperWhisper旨在逐字轉錄每一個說出的單詞,包括填充詞、停頓、口吃和錯誤的開始。該模型在逐字數據集(如TED、AMI)中排名第一,並在INTERSPEECH 2024上被接受。
AI語音識別
65.1K
seed-tts-eval
Seed Tts Eval
seed-tts-eval 是一個用於評估模型零樣本語音生成能力的測試集,它提供了一個跨領域目標的客觀評估測試集,包含從英語和普通話公共語料庫中提取的樣本,用於衡量模型在各種客觀指標上的表現。它使用了Common Voice數據集的1000個樣本和DiDiSpeech-2數據集的2000個樣本。
AI模型
129.2K
WhisperKit
Whisperkit
WhisperKit是一個用於自動語音識別模型壓縮與優化的工具。它支持對模型進行壓縮和優化,並提供了詳細的性能評估數據。WhisperKit還提供了針對不同數據集和模型格式的質量保證認證,並支持本地復現測試結果。
AI語音識別
123.4K
SpeechFlow - Advanced Speech-to-Text API
Speechflow Advanced Speech To Text API
SpeechFlow是一款強大的語音轉文字API,可在13種語言中以極高的準確率進行轉錄。它是將聲音轉為文字、語音轉為文字和音頻轉為文字的強大工具。SpeechFlow支持雲端和本地部署,提供可靠且易於部署和擴展的解決方案。它還具有快速處理速度,可以在短短幾分鐘內處理長達1小時的音頻文件。
AI語音轉文本
58.8K
精選AI產品推薦
中文精選
騰訊混元圖像 2.0
騰訊混元圖像 2.0
騰訊混元圖像 2.0 是騰訊最新發布的 AI 圖像生成模型,顯著提升了生成速度和畫質。通過超高壓縮倍率的編解碼器和全新擴散架構,使得圖像生成速度可達到毫秒級,避免了傳統生成的等待時間。同時,模型通過強化學習算法與人類美學知識的結合,提升了圖像的真實感和細節表現,適合設計師、創作者等專業用戶使用。
圖片生成
80.9K
國外精選
Lovart
Lovart
Lovart 是一款革命性的 AI 設計代理,能夠將創意提示轉化為藝術作品,支持從故事板到品牌視覺的多種設計需求。其重要性在於打破傳統設計流程,節省時間並提升創意靈感。Lovart 當前處於測試階段,用戶可加入等候名單,隨時體驗設計的樂趣。
AI設計工具
64.0K
FastVLM
Fastvlm
FastVLM 是一種高效的視覺編碼模型,專為視覺語言模型設計。它通過創新的 FastViTHD 混合視覺編碼器,減少了高分辨率圖像的編碼時間和輸出的 token 數量,使得模型在速度和精度上表現出色。FastVLM 的主要定位是為開發者提供強大的視覺語言處理能力,適用於各種應用場景,尤其在需要快速響應的移動設備上表現優異。
AI模型
51.1K
KeySync
Keysync
KeySync 是一個針對高分辨率視頻的無洩漏唇同步框架。它解決了傳統唇同步技術中的時間一致性問題,同時通過巧妙的遮罩策略處理表情洩漏和麵部遮擋。KeySync 的優越性體現在其在唇重建和跨同步方面的先進成果,適用於自動配音等實際應用場景。
視頻編輯
48.6K
Manus
Manus
Manus 是由 Monica.im 研發的全球首款真正自主的 AI 代理產品,能夠直接交付完整的任務成果,而不僅僅是提供建議或答案。它採用 Multiple Agent 架構,運行在獨立虛擬機中,能夠通過編寫和執行代碼、瀏覽網頁、操作應用等方式直接完成任務。Manus 在 GAIA 基準測試中取得了 SOTA 表現,展現了強大的任務執行能力。其目標是成為用戶在數字世界的‘代理人’,幫助用戶高效完成各種複雜任務。
個人助理
1.5M
Trae國內版
Trae國內版
Trae是一款專為中文開發場景設計的AI原生IDE,將AI技術深度集成於開發環境中。它通過智能代碼補全、上下文理解等功能,顯著提升開發效率和代碼質量。Trae的出現填補了國內AI集成開發工具的空白,滿足了中文開發者對高效開發工具的需求。其定位為高端開發工具,旨在為專業開發者提供強大的技術支持,目前尚未明確公開價格,但預計會採用付費模式以匹配其高端定位。
開發與工具
138.0K
國外精選
Pika
Pika
Pika是一個視頻製作平臺,用戶可以上傳自己的創意想法,Pika會自動生成相關的視頻。主要功能有:支持多種創意想法轉視頻,視頻效果專業,操作簡單易用。平臺採用免費試用模式,定位面向創意者和視頻愛好者。
視頻生成
18.7M
中文精選
LiblibAI
Liblibai
LiblibAI是一箇中國領先的AI創作平臺,提供強大的AI創作能力,幫助創作者實現創意。平臺提供海量免費AI創作模型,用戶可以搜索使用模型進行圖像、文字、音頻等創作。平臺還支持用戶訓練自己的AI模型。平臺定位於廣大創作者用戶,致力於創造條件普惠,服務創意產業,讓每個人都享有創作的樂趣。
AI模型
8.0M
AIbase
智啟未來,您的人工智能解決方案智庫
© 2025AIbase