Toolkit de fala open source baseado em PaddlePaddle para reconhecimento de fala, síntese de fala, verificação de locutor, detecção de palavras-chave e tradução de fala.
O PaddleSpeech é um toolkit de fala e áudio baseado no framework de deep learning PaddlePaddle. Ele oferece ferramentas de linha de comando e APIs Python prontas para uso em reconhecimento automático de fala, síntese de fala, classificação de áudio, verificação de locutor, diarização de locutores, detecção de palavras-chave, restauração de pontuação e tradução de fala do inglês para o chinês.
O toolkit inclui modelos pré-treinados e receitas de treinamento para diversas arquiteturas, como DeepSpeech2, modelos de ASR baseados em Conformer e Transformer, FastSpeech2, VITS e HiFiGAN para TTS, e ECAPA-TDNN para tarefas com locutores. Também inclui um frontend de texto em chinês com normalização de texto e conversão de grafemas em fonemas, além de servidores de ASR e TTS para uso offline e em streaming. Os modelos podem ser exportados para ONNX para TTS.
O projeto cobre todo o pipeline, da preparação de dados e do treinamento à inferência e implantação, e inclui exemplos de runtime em C++ e demos para Android e Linux em ARM.
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Família open source de modelos de voz com IA da Microsoft, com reconhecimento de fala de longa duração (ASR), text-to-speech com vários falantes (TTS) e modelos de TTS em streaming em tempo real.
Kit open source da NVIDIA para criar, ajustar e implantar modelos de IA de fala, incluindo reconhecimento de fala (ASR), síntese de fala (TTS) e LLMs de fala.
Exemplos de código que mostram como chamar os modelos de fala do Alibaba Cloud Bailian para reconhecimento e síntese de fala e conversas por voz.
Nodes do ComfyUI para geração de fala com o Fish Audio Drama 3, clonagem de voz, diálogos com vários falantes e marcações inline, além de transcrição nativa com Qwen3-ASR.
Toolkit de reconhecimento de fala ponta a ponta, desenvolvido para produção em PyTorch, com ferramenta de linha de comando, API Python, receitas de treinamento e runtimes de implantação.
Toolkit open source de reconhecimento de fala para ASR offline e em streaming, com VAD, pontuação, identificação de falantes e serviço compatível com OpenAI.