搜索结果 - 音频 - 梅斯AI导航站

HitPaw Photo AI

Advanced AI-powered photo editing software.

HitPaw Voice Changer

Real-time AI voice changer with stunning effects.

Qwen2.5-Omni

通义千问Qwen2.5-Omni，仅靠一个一体式模型，就能搞定文本、音频、图像、视频全模态，并实时生成文本和自然语音。堪称7B模型的全能冠军。

nari-labs DIA-1

A TTS model capable of generating ultra-realistic dialogue in one pass.能够一次性生成超逼真对话的 TTS 模型。 Dia可以直接从文字记录生成高度逼真的对话。您可以根据音频调整输出，从而控制情绪和语调。该模型还可以生成非语言交流，例如笑声、咳嗽声、清嗓子等。为了加速研究，我们提供预训练模型检查点和推理代码的访问权限。模型权重托管在Hugging Face上。该模型目前仅支持英语生成。

Wan2.1

Wan2.1，这是一套全面开放的视频基础模型，旨在突破视频生成的界限。Wan2.1提供以下主要功能： 👍 SOTA 性能：Wan2.1在多个基准测试中始终优于现有的开源模型和最先进的商业解决方案。 👍支持消费级 GPU：T2V-1.3B 型号仅需 8.19 GB VRAM，兼容几乎所有消费级 GPU。它可在约 4 分钟内在 RTX 4090 上生成一段 5 秒的 480P 视频（无需量化等优化技术）。其性能甚至可与一些闭源型号相媲美。 👍多任务：Wan2.1在文本转视频、图像转视频、视频编辑、文本转图像和视频转音频方面表现出色，推动了视频生成领域的发展。 👍视觉文本生成：Wan2.1是第一个能够生成中文和英文文本的视频模型，具有强大的文本生成功能，可增强其实际应用。 👍强大的视频 VAE：Wan-VAE提供卓越的效率和性能，可对任意长度的 1080P 视频进行编码和解码，同时保留时间信息，使其成为视频和图像生成的理想基础。

ChatTS

ChatTS专注于对时间序列的理解和推理，类似于视觉/视频/音频 MLLM 的功能。此 repo 提供了以下代码、数据集和模型ChatTS：ChatTS：通过合成数据将时间序列与 LLM 对齐，以增强理解和推理。 ChatTS原生支持任意长度和值范围的多变量时间序列数据。借助ChatTS，您可以轻松理解和推理时间序列中的形状特征和值ChatTS特征。此外，它还可以集成到现有的 LLM 流程中，用于更多与时间序列相关的应用，并利用现有的推理框架，例如vLLMs。目前开源了ChatTS-14B 模型

Sesame CSM

CSM（对话语音模型）是Sesame推出的语音生成模型，它能够根据文本和音频输入生成 RVQ 音频代码。该模型架构采用Llama主干网络和一个较小的音频解码器，用于生成Mimi音频代码。经过精细调整的 CSM 变体为我们博客文章中展示的交互式语音演示提供支持。托管的Hugging Face 空间也可用于测试音频生成。目前开源的为CSM-1B

FunASR

一个基本的端到端语音识别工具包和开源 SOTA 预训练模型，支持语音识别、语音活动检测、文本后处理等。 FunASR离线文件转写软件包，提供了一款功能强大的语音离线文件转写服务。拥有完整的语音识别链路，结合了语音端点检测、语音识别、标点等模型，可以将几十个小时的长音频与视频识别成带标点的文字，而且支持上百路请求同时进行转写。输出为带标点的文字，含有字级别时间戳，支持ITN与用户自定义热词等。服务端集成有ffmpeg，支持各种音视频格式输入。软件包提供有html、python、c++、java与c#等多种编程语言客户端，用户可以直接使用与进一步开发。