月之暗面开源 Kimi-Audio-7B-Instruct，同时支持语音识别和语音生成 将输入音频转换为：使用向量量化的离散语义标记（12.5Hz）。从 Whisper 编码器获得的连续声学特征（降采样至 12.5Hz）。Audio LLM: 基于转换器的模型（从 Qwen 2.5 7B 等预先训练好的文本 LLM 初始化），具有处理多模态输入的共享层，然后是并行头，用于自回归生成文本标记和离散音频语义标记。: 使用流匹配模型和声码器（BigVGAN）将预测的离散语义音频标记转换成高保真波形，支持采用前瞻机制的分块流，以降低延迟。

阅读 3.2k

45赞

收藏 33
【python的魅力】：教你如何用几行代码实现文本语音识别 这个库支持多种操作系统，包括 Windows、Linux 和 macOS，并且可以在没有互联网连接的情况下工作，因为它使用的是计算机上安装的本地语音引擎。SpeechLib 是微软提供的一个用于语音功能的 COM 库，它允许开发者在 Windows 平台上进行文本到语音（TTS）和语音识别的开发。通过 SpeechLib，您可以控制语音引擎的多种属性，比如语速、音量、语调以及使用的语音库。语音识别技术，也被称为自动语音识别，目标是以电脑自动将人类的语音内容转换为相应的文字和文字转换为语音。

阅读 6.9k

175赞

收藏 186
FunASR：语音识别集成工具箱 FunASR是阿里巴巴达摩院开源的一款轻量级语音识别工具包，旨在为开发者提供高效、易用的语音处理解决方案。它集成了多种先进的语音识别技术和模型，支持语音识别（ASR）、语音端点检测（VAD）、标点恢复、语言模型、说话人验证、说话人分离和多人对话语音识别等功能；任务名称主要目标应用场景技术特点ASR将语音转为文本字幕生成、语音助手声学模型+语言模型VAD检测语音活动语音信号预处理时间域或频域特征分析标点恢复添加标点符号自动化文本生成上下文语义理解说话人验证确认语音归属。

阅读 2.5k

17赞

收藏 15
FunASR搭建语音识别服务和VAD检测 该服务使用阿里达摩院的模型，并支持SSL连接、2pass模式以及语音热词处理。你还需要从阿里云上下载相关的语音识别模型、VAD模型、标点符号模型等。这些模型是由达摩院发布的，具体的模型目录稍后会在启动命令中给出。这样，你的VAD模型将在600毫秒后检测到结束静音，适用于需要更快速响应的语音识别场景。的VAD参数，你可以根据具体需求定制VAD的检测灵敏度和时长。这些参数控制了VAD的静音检测、语音与噪音之间的比率等。这里需要确保你的客户端主机和端口设置正确，并且使用的是2pass模式。

阅读 4.9k

16赞

收藏 28
讯飞与腾讯云：Android 实时语音识别服务对比选择 讯飞与腾讯云在Android语音识别领域均表现出色，各具特色。讯飞提供全面的语音识别功能，支持多种语言和离线识别，拥有高知名度和市场占有率，适合高度定制化需求。腾讯云则基于深度学习技术，提供高准确性的语音识别，支持多种语种和方言，且作为领先的云服务提供商，拥有丰富的语音识别和语音合成产品，适合快速接入并希望利用其他云服务的开发者。两者均提供详细的开发文档和API接口，但开发者在选择时应根据自身需求、成本因素和用户评价进行综合考虑，以确保选择最具性价比的方案。

阅读 8.3k

98赞

收藏 106
使用 Vosk 实现语音识别 在近两年里，如果说想要在本地部署离线语音识别模型，那么和肯定是首选项。所以为什么要使用呢？

阅读 7.2k

30赞

收藏 36
语音识别——使用Vosk进行语音识别 如何编译Vosk请参照之前的文章，ubuntu编译kaldi和voskVosk是语音识别开源框架，支持二十+种语言 - 中文，英语，印度英语，德语，法语，西班牙语，葡萄牙语，俄语，土耳其语，越南语，意大利语，荷兰人，加泰罗尼亚语，阿拉伯, 希腊语, 波斯语, 菲律宾语，乌克兰语, 哈萨克语, 瑞典语, 日语, 世界语, 印地语, 捷克语, 波兰语, 乌兹别克语, 韩国语, 塔吉克语。并且支持设备上离线语音识别 ，包括Raspberry Pi，Android，iOS等，API接口简单，并且有多种语言支持。

阅读 9.3k

23赞

收藏 33
Springboot 整合 Java DL4J 打造自然语言处理之语音识别系统 在当今数字化时代，**语音识别技术**正变得越来越重要。从智能手机中的语音助手到智能家居设备的语音控制，**语音识别**为人们提供了一种更加便捷、自然的人机交互方式。语音识别系统本质上是将语音信号转换为计算机能够理解和处理的文本形式。这一过程涉及到多个复杂的技术环节，包括**音频信号处理**、**特征提取**以及基于神经网络的**模型训练**等。我们将探索如何使用`Spring Boot`整合`Java Deeplearning4j`来构建一个语音识别系统。

阅读 8.4k

97赞

收藏 51
自动语音识别（ASR）技术详解 自动语音识别技术经过多年的发展，已经从早期简陋的模板匹配系统演进为今天复杂而精巧的深度学习模型。在原理层面，ASR将声音信号转为文本所涉及的每一步都凝聚了大量研究者的智慧；在应用层面，ASR正悄然改变着人机交互的方式，让语音成为与计算机交流的自然手段。展望未来，ASR研究仍在继续：如何让机器听懂更多语言、在嘈杂人群中分辨每个声音、用更少的数据学会新语种，以及更贴近地模仿人类听觉的鲁棒性。这些挑战伴随着机遇——随着大模型和自监督学习的兴起，我们离“机器像人一样听懂语言”已经越来越近。

阅读 4.8k

36赞

收藏 31
【语音识别】vLLM 部署 Whisper 语音识别模型指南 使用 vLLM 部署 openai whisper

阅读 871

7赞

收藏 6
训练实时语音识别Paraformer模型 最近有一位研二的学生添加我的微信，付费让我给她训练模型。市面上的语音识别模型基本上都是通用识别模型，对于特定领域的识别字错率太高了。比如专门针对航空领域的语音识别就不尽如意，因为在航空领域中有一些航空的专有名词，训练模型的时候未必训练到，并且航空领域中的读数字的读音也和我们日常中的不一样，所以我们想要让模型识别的字错率更低，那么就很有必要对市面上开源的模型进行训练。这里由那位研究生提供了条音频数据，音频采样率是。数据分为训练集和验证集，这里使用的数据作为验证集，也就是使用条数据作为验证集。数据的格式要求如下

阅读 1.7k

8赞

收藏 18
FSMN-VAD与Silero-VAD FSMN-VAD和Silero-VAD都是用于语音活动检测的先进算法，它们在准确性和效率方面都取得了很好的表现。感兴趣的小伙伴可以尝试一下这两个在ASR中的VAD模型，FSMN-VAD和Silero-VAD都是用于语音活动检测的方法。它们能够自动检测语音和非语音部分，并在不同的环境和场景中都表现出良好的性能。FSMN-Monophone VAD是达摩院语音团队提出的高效语音端点检测模型，用于检测输入音频中有效语音的起止时间点信息，并将检测出来的有效音频片段输入识别引擎进行识别，减少无效语音带来的识别错误。

阅读 6.8k

41赞

收藏 22
使用funasr实现语音识别、并发问题处理、funasr多音频格式支持 处理funasr并发问题，添加音频格式转换代码、使支持更多的音频格式

阅读 2.2k

17赞

收藏 10
作者推荐
物联网不互联
大家好，我是一名专注于嵌入式物联网和智能家居的工程师。物联网和智能家居发展至今已有多年，诸侯各起，雄霸一方，互通困难。虽有后起之秀“Matter”，但因水土不服，橘生淮北则为枳。但办法总比困难多，只要保持初心，持续学习，终能守得云开见月明！
关注
這花開嗎
想成为一个很厉害的好人
关注
清月电子
爱生活，爱工作，自强不息 明志高远
关注
夜雨飘零1
他朝若是同淋雪，此生也算共白头！
关注
AppMall
appmall.ai是由东方超算（深圳）科技有限公司发布的一款网页端AI应用商店，支持用户在线安装、一键启动站内AI应用与模型，无需复杂部署，只需支付算力费用（按实际使用分钟数计费，低至约2.3元/小时），一站式提供高性价比、灵活轻松的AI冲浪体验。
关注
云蝠智能大模型呼叫中心
为百万企业提供领先的大模型呼叫服务
关注
希尔贝壳AISHELL
以开放数据、技术变革创新为理念，实现人工智能民主化
关注
LDC语料小助手
ldcdata+q597955373
关注
小米坡软件
这是小米坡软件的技术空间，也是与软件用户分享交流的一个桥梁之一。 小米坡官网：https://word2video.xiaomipo.com/
关注
码劳工人健雄
一个正经不能再正经的码劳打工人，分享日常
关注