搜索结果：audio（18 个）
按分类缩小范围
FunASR
综合 80
支持训练、推理、流式 ASR、VAD、标点恢复及 OpenAI/MCP 兼容服务的开源语音识别工具包。
cvat
综合 78
支持图像、视频、音频和 3D 数据集的标注平台，提供 AI 辅助标注及协作管理功能。
VidBee
综合 71
支持从千余站点下载音视频，本地转写并标注说话人，结合 AI 实现总结、翻译及对话。
speechbrain
综合 71
基于 PyTorch 的开源全能语音处理工具包。
CosyVoice
综合 70
多语言大规模语音生成模型，提供涵盖推理、训练和部署的全栈能力。
ChatTTS
综合 69
专注于日常对话场景的生成式文本转语音（TTS）模型。
screenpipe
综合 69
持续记录电脑屏幕工作轨迹以梳理工作流，并为 AI Agent 提供上下文背景记忆。
YuE
综合 69
前沿音乐生成模型，支持符号规划、零样本翻唱与 Agent 式音乐编辑。
spleeter
综合 69
Deezer 开源的源分离库，包含预训练模型。
buzz
综合 68
基于 OpenAI Whisper 驱动，可在个人电脑上离线转写和翻译音频的工具。
ultimatevocalremovergui
综合 60
基于深度神经网络的音频人声伴奏分离工具图形界面（GUI）。
基于检索的声音转换 WebUI，使用 10 分钟以内的音频数据即可轻松训练优质变声模型。
Filee
综合 58
免费开源的离线文件转换器，支持拖拽转换 263 种格式，无需上传或安装 Office。
diffusers
综合 49
基于 PyTorch 的前沿扩散模型库，支持图像、视频和音频生成。
voice-pro
综合 47
面向创作者的 Gradio WebUI，集成主流 TTS、零样本声音克隆与人声分离等功能。
涵盖文本、视觉、音频及多模态的前沿机器学习模型框架，支持推理与训练。
moshi
综合 45
语音-文本基座模型与全双工口语对话框架，采用前沿的流式神经音频编解码器 Mimi。
FluidAudio
综合 42
Swift 音频库，为应用提供前沿 CoreML 模型，支持 TTS、STT、语音活动检测与说话人日志。