AIbase

Speech To Speech
Speech To Speech
目标受众为开发者和研究人员，尤其是那些对语音识别、自然语言处理和语音合成技术感兴趣的人。该产品适合他们因为它提供了一个灵活、可定制的开源工具，可以用于研究或开发相关的应用程序。
AI语音合成AI语音识别#语音识别#自然语言处理#语音合成#开源普通产品开源
总访问量： 474,564,576
占比最多地区： US(19.34%)
3,588
产品介绍
网站流量
同类开源产品
替代品
简介
speech-to-speech 是一个开源的模块化GPT4-o项目，通过语音活动检测、语音转文本、语言模型和文本转语音等连续部分实现语音到语音的转换。它利用了Transformers库和Hugging Face hub上可用的模型，提供了高度的模块化和灵活性。
截图
产品特色
语音活动检测（VAD）：使用silero VAD v5。
语音转文本（STT）：使用Whisper模型，包括蒸馏版本。
语言模型（LM）：可以在Hugging Face Hub上选择任何可用的指令模型。
文本转语音（TTS）：使用Parler-TTS，支持不同的检查点。
模块化设计：每个组件都作为类实现，可以根据特定需求进行重新实现。
支持服务器/客户端方法和本地方法运行。
使用教程
克隆仓库到本地环境。
安装所需的依赖。
根据需要配置模型参数和生成参数。
选择运行方式：服务器/客户端方法或本地方法。
如果是服务器/客户端方法，先在服务器上运行模型，然后在客户端处理音频输入和输出。
如果是本地方法，使用回环地址运行。
利用Torch Compile优化Whisper和Parler-TTS的性能。
通过命令行使用模型，指定不同的参数来控制不同部分的行为。
流量来源
直接访问51.61%外链引荐33.46%邮件0.04%
自然搜索12.58%社交媒体2.19%展示广告0.11%
最新流量情况
月访问量
4.92m
平均访问时长
393.01
每次访问页数
6.11
跳出率
36.20%
总流量趋势图
地理流量分布情况
美国
19.34%
中国
13.25%
印度
9.32%
俄罗斯
4.28%
德国
3.63%
地理流量分布全球图
同类开源产品
Finevoice
FineVoice是一个多功能的AI配音平台，它使用先进的人工智能技术，为用户提供逼真的个性化语音服务。
AI语音合成#文本转语音
Reverb
Reverb 是一个开源的语音识别和说话人分割模型推理代码，使用 WeNet 框架进行语音识别 (ASR) 和 Pyannote 框架进行说话人分割。
AI语音识别#说话人分割
Whisper Large V3 Turbo
优质新品
Whisper large-v3-turbo是OpenAI提出的一种先进的自动语音识别(ASR)和语音翻译模型。
AI语音识别#语音翻译
Realtime API
国外精选
Realtime API 是 OpenAI 推出的一款低延迟语音交互API，它允许开发者在应用程序中构建快速的语音到语音体验。
AI语音识别#低延迟
Llama 3.2 3b Voice
Llama 3.2 3b Voice 是基于Hugging Face平台的一款语音合成模型，能够将文本转换为自然流畅的语音。
AI语音合成#自然语言处理
Ebook2audiobookxtts
ebook2audiobookXTTS是一个利用Calibre和Coqui TTS技术将电子书转换为有声书的模型，支持章节和元数据的保留，并且可以选择使用自定义语音模型进行语音克隆，支持多种语言。
AI语音合成#linux
Omnisensevoice
OmniSenseVoice是基于SenseVoice优化的语音识别模型，专为快速推理和精确时间戳设计，提供更智能、更快速的音频转录方式。
AI语音识别#时间戳
Deepgram Voice Agent API
优质新品
Deepgram Voice Agent API 是一个统一的语音到语音API，它允许人类和机器之间进行自然听起来的对话。
AI语音识别#语音合成
Seed Vc
seed-vc 是一个基于 SEED-TTS 架构的声音转换模型，能够实现零样本的声音转换，即无需特定人的声音样本即可转换声音。
AI语音合成#零样本学习
替代品
Reverb
Reverb 是一个开源的语音识别和说话人分割模型推理代码，使用 WeNet 框架进行语音识别 (ASR) 和 Pyannote 框架进行说话人分割。
AI语音识别#说话人分割
Whisper Large V3 Turbo
优质新品
Whisper large-v3-turbo是OpenAI提出的一种先进的自动语音识别(ASR)和语音翻译模型。
AI语音识别#语音翻译
Llama 3.2 3b Voice
Llama 3.2 3b Voice 是基于Hugging Face平台的一款语音合成模型，能够将文本转换为自然流畅的语音。
AI语音合成#自然语言处理
Ebook2audiobookxtts
ebook2audiobookXTTS是一个利用Calibre和Coqui TTS技术将电子书转换为有声书的模型，支持章节和元数据的保留，并且可以选择使用自定义语音模型进行语音克隆，支持多种语言。
AI语音合成#linux
Omnisensevoice
OmniSenseVoice是基于SenseVoice优化的语音识别模型，专为快速推理和精确时间戳设计，提供更智能、更快速的音频转录方式。
AI语音识别#时间戳
Seed Vc
seed-vc 是一个基于 SEED-TTS 架构的声音转换模型，能够实现零样本的声音转换，即无需特定人的声音样本即可转换声音。
AI语音合成#零样本学习
Optispeech
OptiSpeech是一个高效、轻量级且快速的文本到语音模型，专为设备端文本到语音转换设计。
AI语音合成#深度学习
Crisperwhisper
CrisperWhisper是基于OpenAI的Whisper模型的高级变体，专为快速、准确、逐字的语音识别设计，提供准确的词级时间戳。
AI语音识别#逐字转录
Seed ASR
优质新品
Seed-ASR是由字节跳动公司开发的基于大型语言模型(Large Language Model, LLM)的语音识别模型。
AI语音识别#大型语言模型
精选AI产品推荐
Nocode
中文精选
NoCode 是一款无需编程经验的平台，允许用户通过自然语言描述创意并快速生成应用，旨在降低开发门槛，让更多人能实现他们的创意。
开发平台#应用开发
912
Listenhub
优质新品
ListenHub 是一款轻量级的 AI 播客生成工具，支持中文和英语，基于前沿 AI 技术，能够快速生成用户感兴趣的播客内容。
音频生成#AI
348
Lovart
国外精选
Lovart 是一款革命性的 AI 设计代理，能够将创意提示转化为艺术作品，支持从故事板到品牌视觉的多种设计需求。
AI设计工具#创意工具
1,128
Fastvlm
FastVLM 是一种高效的视觉编码模型，专为视觉语言模型设计。
AI模型#图像处理开源
564
Smart PDFs
国外精选
Smart PDFs 是一个在线工具，利用 AI 技术快速分析 PDF 文档，并生成简明扼要的总结。
文章摘要#AI
984
Keysync
KeySync 是一个针对高分辨率视频的无泄漏唇同步框架。
视频编辑#视频处理开源
480
Anyvoice
AnyVoice是一款领先的AI声音生成器，采用先进的深度学习模型，将文本转换为与人类无法区分的自然语音。
音频生成#文本转语音
26.38k
Liblibai
中文精选
LiblibAI是一个中国领先的AI创作平台,提供强大的AI创作能力,帮助创作者实现创意。
AI模型#图像生成
344.42k