AI 研究技能与智能体

DuDE

penguinfish1688 · 工具包

根据 XML 脚本把两个人的对话生成为语音，有轮流发言、附和语和重叠说话，每位说话人一个声音。适合做对话音频的研究人员和开发者，仅限非商业使用。

TRIBE v2

facebook · 工具包

用一个映射到大脑皮层表面的多模态 Transformer，估计大脑对视频、音频和文本的 fMRI 反应。适合神经科学和 AI 研究者。

ESPNet2 ASR Librispeech word vs bpe tokens

jkang · 工具包

在 Gradio 页面里比较同一套 ESPnet2 Conformer 方案的三个英语语音识别模型，分别用 bpe、字符和词单位，附带示例音频，适合语音研究人员和学生。

ESPNet2 ASR Librispeech Conformer (100h)

jkang · 工具包

在 Gradio 页面里用在 100 小时 Librispeech 上训练的 ESPnet2 Conformer 模型把英语语音转成文字，附带示例音频，适合语音研究人员和学生。

GenreClassifier 音乐流派分类器

Enutrof · 工具包

用在 GTZAN 数据集上训练的 LSTM 模型，猜测上传音频的音乐流派。适合想试用小型音频分类器的音乐爱好者和学生。

Teacher in the Loop

MithrilMan · 工具包

在浏览器里完整运行从 Kokoro-82M 蒸馏出来的 8M 参数小型语音合成声音，并附有对比各训练方案的音频样本。

YourMT3

mimbres · 工具包

在 Gradio 应用里运行 YourMT3 演示。它的文件夹名称指向把音频转成 MIDI 的音乐转录，适合处理音乐和音频模型的人。

MelodyFlow

facebook · 工具包

运行 facebook 团队的音频生成模型演示，基于 AudioCraft 库构建。适合想在浏览器里试用音乐和声音生成，或者想读代码的人。

OWSM v4

espnet · 工具包

用 Gradio 演示页在浏览器里对你给的音频运行 OWSM v4 开源语音模型，适合想试用或对比语音模型的人。

OWSM v4

espnet · 工具包

用 OWSM v4 模型转写语音、在语言之间翻译、识别说的是哪种语言并解码长录音，可选文字提示词。适合语音研究者和想测试多语言音频的人。

NatureLM-Audio

EarthSpeciesProject · 工具包

一个演示：你上传一段动物声音的音频，在聊天里就它提问。它运行 NatureLM-audio 模型，在浏览器中打开，无需安装。

ClaimRadar BG

DyrakArmy · 工具包

在保加利亚语文本、音频和视频中找出可核查的说法，在网上搜索来源，并给每个说法一个带证据的结论。适合想检验自己所读所听内容的记者、事实核查人员和读者。

Vevo for Zero-shot VC, TTS, and More

amphion · 工具包

无需针对某个说话人训练，就能根据参考音频模仿声音，用于语音转换和文字转语音。这是 Amphion 项目里 Vevo 模型的演示，适合研究者和音频开发者。

Turkish ASR Leaderboard

EmreAkgul · 工具包

在一套 Google 测试数据集上，按基准测试和计时结果对比土耳其语语音转文字模型，帮你为土耳其语音频选一个语音识别模型。

MTEB Leaderboard

mteb · 工具包

在浏览器或 Docker 里运行的排行榜页面，给文本、图像、音频和视频的嵌入模型排名。适合选择嵌入模型的人。