Repolode
Предложить
aliyun

aliyun/alibabacloud-bailian-speech-demo

Примеры вызова речевых моделей Alibaba Cloud Bailian для распознавания и синтеза речи, а также голосового общения.

Открыть на GitHubСайт
Звёзды
429
Форки
58
Открытые issues
3
Последний коммит
5 дней назад

Что это?

В этом репозитории собраны примеры вызова речевых моделей Alibaba Cloud Bailian (Model Studio) через DashScope SDK. Здесь показаны преобразование речи в текст с помощью Qwen-Audio-3.0-ASR и Fun-ASR, синтез речи с помощью Qwen-Audio-3.0-TTS и CosyVoice, клонирование голоса и генерация музыки по промптам или текстам песен.

Помимо базового распознавания и синтеза, примеры показывают, как сочетать речевые модели с большими языковыми моделями для видеочатов, голосового общения, суммаризации аудио, ответов на вопросы по аудио и перевода речи. Среди примеров — потоковое распознавание с поддержкой ключевых слов и контекста, асинхронная расшифровка длинных записей с разделением по говорящим и голосовой диалог в реальном времени на основе WebSocket.

Каждый пример находится в отдельной директории и содержит собственные инструкции по запуску и зависимости. Для настройки понадобятся аккаунт Alibaba Cloud, API-ключ Bailian и DashScope SDK. Код распространяется по лицензии MIT.

Ключевые возможности

  • 01Распознавание речи с помощью Qwen-Audio-3.0-ASR и Fun-ASR, включая потоковое распознавание и расшифровку файлов
  • 02Синтез речи с управлением стилем голоса, диалектом и эмоциями с помощью инструкций
  • 03Клонирование голоса и синтез речи клонированным голосом
  • 04Генерация музыки по промптам или пользовательским текстам песен
  • 05Голосовой диалог в реальном времени через WebSocket с вызовом функций

Сценарии использования

  • Добавление субтитров или расшифровки в реальном времени к встречам и прямым трансляциям
  • Создание голосовых ботов для обслуживания клиентов с клонированными голосами или заданным стилем речи
  • Пакетная расшифровка и анализ записей звонков или встреч
  • Создание дикторской озвучки или многоязычных закадровых голосов по тексту или результатам работы LLM

В подборках

ИИ-инструменты для видео и аудио

Темы

#speech-recognition#text-to-speech#speech-synthesis#voice-cloning#dashscope#asr#tts#llm

Частые вопросы

Что такое alibabacloud-bailian-speech-demo?
Примеры вызова речевых моделей Alibaba Cloud Bailian для распознавания и синтеза речи, а также голосового общения. В этом репозитории собраны примеры вызова речевых моделей Alibaba Cloud Bailian (Model Studio) через DashScope SDK. Здесь показаны преобразование речи в текст с помощью Qwen-Audio-3.0-ASR и Fun-ASR, синтез речи с помощью Qwen-Audio-3.0-TTS и CosyVoice, клонирование голоса и генерация музыки по промптам или текстам песен.
alibabacloud-bailian-speech-demo можно использовать бесплатно? Какая у него лицензия?
alibabacloud-bailian-speech-demo распространяется с открытым исходным кодом под лицензией MIT. Перед использованием в коммерческих продуктах проверьте условия лицензии.
alibabacloud-bailian-speech-demo всё ещё поддерживается?
Активно поддерживается. Последний коммит в alibabacloud-bailian-speech-demo — 2 нояб. 2026 г..
Для чего можно использовать alibabacloud-bailian-speech-demo?
Добавление субтитров или расшифровки в реальном времени к встречам и прямым трансляциям Создание голосовых ботов для обслуживания клиентов с клонированными голосами или заданным стилем речи Пакетная расшифровка и анализ записей звонков или встреч Создание дикторской озвучки или многоязычных закадровых голосов по тексту или результатам работы LLM
Где скачать alibabacloud-bailian-speech-demo?
Исходный код и инструкции по установке — на GitHub: https://github.com/aliyun/alibabacloud-bailian-speech-demo

Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.

Похожие проекты

PedroMarinhoDev / ComfyUI-Drama3

Ноды ComfyUI для синтеза речи Fish Audio Drama 3 с клонированием голоса, диалогами нескольких персонажей и подсказками в тексте, а также встроенной транскрибацией через Qwen3-ASR.

ИИ и машинное обучение#text-to-speech#voice-cloning#comfyui
165+14 за неделю21PythonGPL-3.0Обновлён 14 дней назад

microsoft / VibeVoice

Семейство open-source голосовых AI-моделей Microsoft: распознавание длинной речи (ASR), многоязычная по говорящим генерация речи (TTS) и потоковый TTS в реальном времени.

ИИ и машинное обучение#speech-recognition#text-to-speech#asr
56,7 тыс.+1,4 тыс. за неделю6,4 тыс.PythonMITОбновлён в прошлом месяце

fishaudio / fish-speech

Открытая система синтеза речи из текста с клонированием голоса, управлением эмоциями на естественном языке и генерацией речи нескольких персонажей на основе моделей в стиле LLM.

ИИ и машинное обучение#text-to-speech#voice-cloning#speech-synthesis
33,6 тыс.+103 за неделю2,9 тыс.PythonOtherОбновлён 5 дней назад