- 博客(169)
- 资源 (97)
- 问答 (7)
- 收藏
- 关注
RSS订阅
原创 PPASR流式与非流式语音识别
PPASR是一款基于PaddlePaddle实现的语音识别框架，PPASR致力于简单，实用的语音识别项目。可部署在服务器，Nvidia Jetson设备，未来还计划支持Android等移动设备。
2021-11-30 22:35:20
8498
36
原创 仅需几秒音频钟即可克隆语音合成
本项目介绍了一个基于NeuTTS Air的快速语音克隆系统，用户可通过简短音频样本克隆任意语音。系统支持Windows/Linux/MacOS平台，提供GUI界面和HTTP服务接口两种使用方式，支持中文等多种语言，并能通过微调适配个性化需求。项目包含完整的环境搭建指南、音频克隆流程说明、微调模型方法以及可视化操作界面演示，用户可选择CPU或GPU进行推理，仅需3-15秒的干净音频样本即可实现高质量语音克隆。
2025-11-01 18:45:00
1575
原创 NeuCodec-基于神经模型对音频极限压缩
NeuCodec是一种基于有限标量量化(FSQ)的低比特率(0.8kbps)音频编解码器，专为语音标记化设计。它可以将263KB的16kHz WAV文件压缩至仅2KB(压缩率100倍)，同时支持还原为24kHz音频。该工具适用于训练高质量文本转语音模型的研究者，安装简单(pip install neucodec)，提供编码和解码功能，并支持ONNXRuntime加速CPU解码。开源地址和论文分别位于Github(neuphonic/neucodec)和arXiv平台。
2025-11-01 10:05:40
241
原创 使用SenseVoice-Small搭建语音识别界面应用和服务
本文介绍了SenseVoice-Small多语言音频理解模型的使用方法，该模型支持语音识别、情感识别、声学事件检测等功能，涵盖中文、粤语、英语等多种语言。文章提供了Python代码示例展示如何快速实现语音识别，并重点介绍了配套的GUI界面工具和API服务。GUI工具支持音频/视频文件识别，可输出带时间戳的文本结果并导出为字幕文件；API服务则为其他设备调用提供接口。项目还包含网页测试界面，支持查看分段识别结果和导出多种格式字幕文件。源码可通过知识星球获取。
2025-10-17 21:18:50
367
原创 开发简体繁体互转的微信小程序，含源码
本篇文章来介绍，开发一个可以简体繁体互转的微信小程序，包含后端代码和微信小程序代码，后端使用Python实现。该功能是【小夜工具】微信小程序中的其中一个，里面包含多种实用性的工具，小程序二维码如下，感兴趣可以扫码使用一下。如果读者有其他想要其他功能的源码，也可以评论要求，下篇文章继续开源。
2025-07-06 18:23:07
563
原创 白嫖AiStudio算力部署文心4.5开源大模型给Android调用
摘要 本文介绍了如何利用AiStudio平台免费算力部署文心4.5开源大模型，并搭建中转服务供Android设备调用。主要步骤包括：1) 在AiStudio注册并选择ERNIE-4.5-21B-A3B-Paddle模型进行部署；2) 获取API Key和base_url后，修改中转服务的OpenAI客户端配置；3) Android端通过HTTP请求访问中转服务，实现流式对话功能。该方法无需自有GPU服务器，降低了使用门槛，保持了与上一篇文章相同的Android调用方式。
2025-07-03 21:59:58
483
原创 部署文心4.5开源模型给Android设备调用
本文介绍了在Android端调用部署的文心4.5大语言模型的方法。首先通过fastdeploy部署ERNIE-4.5-21B-A3B-Paddle模型并启动API服务，然后编写Python中转服务处理对话历史并转发请求。Android客户端通过OkHttp发送请求到中转服务，实时接收流式响应数据，实现打字机效果的对话界面。文中提供了完整的部署步骤、服务端代码和Android核心调用方法，展示了如何将大模型能力集成到移动应用中。
2025-07-02 21:54:53
415
原创 文心4.5开源大模型的使用和部署
百度文心4.5系列大模型正式开源，包含10款不同规模的模型（0.3B到424B参数）。本文介绍了快速部署和使用方法：1)安装PaddlePaddle、FastDeploy等必要环境；2)提供Python代码示例实现本地对话功能；3)讲解如何启动API服务并兼容OpenAI接口格式。通过简单命令即可部署模型服务(默认端口8180)，并支持使用标准openai库进行调用。文章还预告后续将补充Android客户端调用方法，为开发者提供完整的端到端解决方案。
2025-06-30 22:59:47
982
8
原创 Android部署MediaPipe自定义手势识别模型
本项目实现了一个基于Google MediaPipe和Android CameraX的实时手势识别应用，支持7种常见手势检测（如点赞、胜利手势等）和21个手部关键点绘制。采用CPU推理确保设备兼容性，集成CameraX进行相机管理，并通过自定义视图实时显示识别结果。项目具备多手检测、性能调优等功能，可作为手势识别开发参考。核心依赖MediaPipe任务库和CameraX组件，源码可通过指定方式获取。
2025-06-28 22:30:00
999
原创 MediaPipe自定义手势识别训练模型
摘要：本项目基于MediaPipe Model Maker框架开发了一个自定义手势识别系统，支持石头剪刀布等多种手势的实时检测。系统包含完整的训练流程（支持调整学习率、批次大小等参数）和两种推理模式（图片/视频）。使用Python 3.11环境，通过100-200张手势图片训练后，模型准确率达95%。项目提供源码下载和详细文档，适用于移动设备上的实时手势交互应用。
2025-06-28 18:19:20
977
原创 一个由Python开发的工具网站
本文章要介绍的是一个包含了诸多功能的工具网站，这个网站使用的是Python作为开发语言。里面包含了文档工具，pdf工具，图片工具，音频工具，视频工具，语音工具，还有编程工具等等，这些都是工作或者学习中会使用遇到的工具。
2025-05-01 18:47:06
244
原创 快速从零部署一个DeepSeek-R1服务
这里使用最简单的几条命令介绍如何部署DeepSeek-R1的服务，默认已经安装了Anaconda，使用的是vllm框架，国内也可以轻松部署。
2025-04-05 14:44:18
346
原创 快速训练猫狗声音分类模型
本文章主要介绍如何快速使用声音分类框架训练和推理，本文将致力于最简单的方式去介绍使用，如果使用更进阶功能，还需要从源码去看文档。仅需三行代码即可实现训练和推理。
2025-03-08 12:02:43
630
原创 快速使用PPASR V3版部署语音识别框架
主要介绍如何快速使用PPASR语音识别框架训练和推理，该框架支持多个语音识别模型，包含deepspeech2、conformer、squeezeformer、efficient_conformer等，每个模型都支持流式识别和非流式识别，以及多种解码器，包含ctc_greedy_search、ctc_prefix_beam_search、attention_rescoring、ctc_beam_search等
2025-03-08 11:40:51
696
原创 快速使用MASR V3版部署语音识别框架
主要介绍如何快速使用MASR语音识别框架训练和推理，本文将致力于最简单的方式去介绍使用。该框架支持多个语音识别模型，包含conformer等，每个模型都支持流式识别和非流式识别，以及多种解码器。更多功能等你发现。
2025-03-08 11:34:54
556
原创 基于大语言模型实现文本端点检测
在语音对话识别中，一般使用VAD检测用户时候结束说话，但是这个结束时间长度设置多少合适，这很难抉择，太短了，用户说话慢就容易打断，太长了用户等待时间久。还有常见的情况，用户在说话的时候，中途停顿了一下思考，如果只是使用VAD检测，有可能就会认为说话结束，但是用户还没有说话，这句话也不完整。这种情况可以配合文本端点检测，在使用VAD检测的时候，配合文本端点检测，从而保证用户表达完整。
2025-01-18 14:14:00
943
原创 基于Pytorch实现的说话人日志（说话人分离）
是博主开源的一款声纹识别框架，该框架支持EcapaTdnn、ResNetSE、ERes2Net、CAM++等多种先进的声纹识别模型，也支持了MelSpectrogram、Spectrogram、MFCC、Fbank等多种数据预处理方法，支持AAMLoss、AMLoss、ARMLoss、CELoss等多种损失函数。该框架支持多种关于声纹识别的处理，比如声纹对，比声纹检索，以及本文章需要介绍的说话人日志（说话人分离）。
2024-12-22 12:13:24
1419
原创 YeAudio音频工具的介绍和使用
这款Python音频处理工具功能强大，支持读取多种格式的音频文件。它不仅能够对音频进行裁剪、添加混响、添加噪声等多种处理操作，还广泛应用于语音识别、语音合成、声音分类以及声纹识别等多个项目领域。
2024-08-29 22:26:37
1910
4
原创 Ubuntu22.04使用/etc/rc.local开机启动程序
来开机启动程序，步骤如下，针对Ubuntu20.04或Ubuntu22.04系统都有效。因为在工作中，Ubuntu系统经常使用到开机启动，为了方便之后使用，特此介绍下如何使用。
2024-07-02 22:19:42
2111
原创 夜雨飘零·千问：解答您无尽的疑问
想象一下，只需一键，即可轻松启动功能强大的大语言模型。夜雨飘零·千问启动器就是这样一个神奇的工具，它无需繁琐的环境搭建，内置了多种规格的模型以适应不同的使用场景。更令人惊喜的是，即使你的设备资源有限，也能找到适合的模型，因为最小的0.5B模型仅需1G显存！
2024-04-09 23:33:37
645
原创 鸿蒙应用开发-录音并使用WebSocket实现实时语音识别
录音并实时获取RAW的音频格式数据，利用WebSocket上传数据到服务器，并实时获取语音识别结果，参考文档。是录音工具类，进行录音和获取录音数据。中添加，关于字段说明，也需要在各个的。添加所需要的权限，注意是在。还需要一些其他的工具函数。
2024-03-26 22:58:48
2266
8
原创 鸿蒙应用开发-录音保存并播放音频
是录音工具类，进行录音和获取录音数据。格式的音频，然后播放该音频，参考文档。中添加，关于字段说明，也需要在各个的。添加所需要的权限，注意是在。
2024-03-26 22:56:48
1810
8
原创 鸿蒙应用开发-仿微信聊天对话对话信息列表
编写的是对列表的操作，如添加数据、获取列表大小，通过操作这个对象，控制列表显示。仿微信聊天对话对话信息列表，显示发送文本和接收文本，参考文档。
2024-01-19 19:35:08
1145
原创 鸿蒙应用开发-请求语音合成服务获取音频文件
请求语音合成服务，通过上传语音合成文本，返回音频数据，并保存到本地。这里要说明一下，由于`HttpResponse`接口给问题，服务的响应类型必须是`application/octet-stream`，才能正确获取音频数据并保存，接口文档：[HttpResponse]
2024-01-18 19:47:31
703
原创 轻松识别几个小时的长音视频文件
之前的文章绍一个准确率非常高的语音识别框架，但那个只能识别实时的短音频，如果想要识别一个非常长的音频，几十分钟，甚至几个小时，那之前的那个是做不到的所以就有了本文。本文介绍搭建一个长语音识别服务，可以把任意长度的音视频到识别结果。而且识别结果中，可以包含每句话的开始时间和结束时间，可以用来做字幕等等。
2024-01-07 13:28:05
1193
原创 实时指令唤醒
本文将介绍一个实时指令唤醒的程序，可以添加任意的指令，实时录音一旦检测到指令语音，激活程序。同时还支持指令微调、提高指令的准确率。
2023-12-17 15:36:39
2096
1
原创 语音指令控制坦克大战
本文将介绍一个可以通过语音指令来控制坦克大战游戏的程序，用户只需要添加几个疾病区然后控制坦克进行向上、向下、向左、向右、开火、停止等操作。同时还支持指令微调、提高指令的准确率。
2023-12-17 13:07:59
732
原创 一键运行大语言模型服务，搭建聊天应用
本文介绍一个可以快速搭建本地大语言模型的聊天服务，模型和代码已全部提供，不需要联网运行。项目使用的是Qwen-7B-Int4模型，只需要8G显存的显卡都能流畅运行，无论是Windows还是Linux系统都支持使用。
2023-10-23 20:46:29
628
原创 轻松快速搭建一个本地的语音合成服务
本文将介绍一个可以快速搭建本地语音合成的服务，模型和代码已全部提供，不需要联网运行。项目使用的是VITS模型结构，能够很轻松地启动服务。
2023-10-22 13:59:16
1273
原创 识别准确率竟如此高，实时语音识别服务
本文将介绍一个准确率非常高的语音识别框架，那就是FunASR，这个框架的模型训练数据超过几万个小时，经过测试，准确率非常高。本文将介绍如何启动WebSocket服务和Android调用这个服务来实时识别，一边说话一边出结果。
2023-10-21 21:56:04
2870
原创 FunASR语音识别GUI界面应用
本文将介绍一个基于FunASR开发的语音识别界面应用，这个应用可以选择本地音频，也可以录音识别。支持多种音频格式和视频格式，可以对识别的结果加上时间戳做成字幕。
2023-10-08 18:46:12
1887
原创 基于PaddlePaddle实现的声纹识别系统
本项目使用了EcapaTdnn、ResNetSE、ERes2Net、CAM++等多种先进的声纹识别模型，不排除以后会支持更多模型，同时本项目也支持了MelSpectrogram、Spectrogram、MFCC、Fbank等多种数据预处理方法，使用了ArcFace Loss，ArcFace loss：Additive Angular Margin Loss（加性角度间隔损失函数），对应项目中的AAMLoss，对特征向量和权重归一化，对θ加上角度间隔m，角度间隔比余弦间隔在对角度的影响更加直接，除此之外，还支
2023-08-20 23:08:54
2196
原创 基于Pytorch实现的声纹识别系统
本项目使用了EcapaTdnn、ResNetSE、ERes2Net、CAM++等多种先进的声纹识别模型，不排除以后会支持更多模型，同时本项目也支持了MelSpectrogram、Spectrogram、MFCC、Fbank等多种数据预处理方法，使用了ArcFace Loss，ArcFace loss：Additive Angular Margin Loss（加性角度间隔损失函数），对应项目中的AAMLoss，对特征向量和权重归一化，对θ加上角度间隔m，角度间隔比余弦间隔在对角度的影响更加直接，除此之外，还支
2023-08-20 23:05:12
7522
5
原创 微调Whisper语音识别模型和加速推理
OpenAI在开源了号称其英文语音辨识能力已达到人类水准的Whisper项目，且它亦支持其它98种语言的自动语音辨识。Whisper所提供的自动语音识与翻译任务，它们能将各种语言的语音变成文本，也能将这些文本翻译成英文。本项目主要的目的是为了对Whisper模型使用Lora进行微调，目前开源了好几个模型，具体可以在openai查看，下面列出了常用的几个模型。另外项目最后还对语音识别加速推理，使用了CTranslate2加速推理，提示一下，加速推理支持直接使用Whisper原模型转换，并不一定需要微调。
2023-04-23 22:41:07
11961
14
原创 使用VAD将长语音分割的多段短语音
今天来介绍一个VAD的工具，VAD（Voice Activity Detection）语音活动检测，是可以把一段长语音以静音位置把语音分割成多段短语音，常见的就用WebRTC VAD工具，目前很多项目都是用这个工具，但是今天作者介绍的是另一个工具，这个工具是[YeAudio](https://github.com/yeyupiaoling/YeAudio)的一个小功能，这个功能是基于深度学习实现的。
2022-11-23 20:30:00
4249
原创 基于PaddlePaddle训练中文标点符号模型
本想是基于[PaddleSpeech](https://github.com/paddlepaddle/PaddleSpeech)开发的中文标点符号模型，默认使用的预训练模型为`ernie-3.0-medium-zh`。该模型可以用于语音识别结果添加标点符号，使用案例[PPASR](https://github.com/yeyupiaoling/PPASR)。
2022-09-14 19:34:00
4430
7
Pytorch实现的EcapaTdnn声纹识别超大数据模型（melspectrogram）
2022-11-08
Pytorch训练EcapaTdnn声纹识别超大数据模型（spectrogram）
2022-11-08
基于Pytorch实现的EcapaTdnn声纹识别模型（melspectrogram）
2022-05-03
基于Pytorch实现的EcapaTdnn声纹识别模型（spectrogram）
2022-05-04
基于Pytorch实现的EcapaTdnn声纹识别大模型（melspectrogram）
2022-05-06
基于Pytorch实现的EcapaTdnn声纹识别大模型（spectrogram）
2022-05-07
基于PaddlePaddle实现的EcapaTdnn声纹识别大模型（spectrogram）
2022-05-02
基于PaddlePaddle实现的EcapaTdnn声纹识别模型（melspectrogram）
2022-04-25
基于PaddlePaddle实现的EcapaTdnn声纹识别模型（spectrogram）
2022-04-26
基于PaddlePaddle实现的EcapaTdnn声纹识别大模型（melspectrogram）
2022-05-01
PaddlePaddle实现的EcapaTdnn声纹识别超大数据（spectrogram）
2022-11-08
PPASR流式与非流式语音识别模型（LibriSpeech数据集）
2022-01-26
PPASR中文语音识别（最终级）模型（大数据集）
2021-12-07
对语音识别结果加上标点符号模型
2022-01-13
Pytorch实现的流式与非流式语音识别模型（数据集：AIShell）
2021-12-26
Pytorch实现的流式与非流式语音识别模型（数据集：free_st_chinese_mandarin_corpus）
2021-12-26
Pytorch实现的流式与非流式语音识别模型（数据集：thchs30）
2021-12-26
基于PaddlePaddle实现的语音合成工具
2022-06-27
基于深度学习框架ONNX的人脸识别系统
2022-06-24
基于Pytorch实现的EcapaTdnn声纹识别模型（melspectrogram）
2022-05-03
基于Pytorch实现的EcapaTdnn声纹识别模型（spectrogram）
2022-05-04
基于Pytorch实现的EcapaTdnn声纹识别大模型（melspectrogram）
2022-05-06
基于Pytorch实现的EcapaTdnn声纹识别大模型（spectrogram）
2022-05-07
基于PaddlePaddle实现的EcapaTdnn声纹识别大模型（spectrogram）
2022-05-02
基于PaddlePaddle实现的EcapaTdnn声纹识别模型（melspectrogram）
2022-04-25
基于PaddlePaddle实现的EcapaTdnn声纹识别模型（spectrogram）
2022-04-26
基于PaddlePaddle实现的EcapaTdnn声纹识别大模型（melspectrogram）
2022-05-01
PaddlePaddle实现的EcapaTdnn声纹识别超大数据melspectrogram
2022-11-08
MASR的V2版本Conformer训练超大数据集
2023-01-29
PPASR的V2版本Conformer模型文件
2022-11-08
PPASR的V2版本Conformer训练超大数据集
2022-11-11
PPASR的V2版本DeepSpeech2模型文件
2022-11-08
PPASR中文语音识别（最终级）模型（大数据集）
2021-12-07
基于PaddlePaddle声纹识别模型全部模型参数文件
2023-08-28
基于Pytorch声纹识别模型全部模型参数文件
2023-08-28
基于PaddlePaddle声纹识别模型EcapaTdnn全部模型参数文件
2023-08-11
基于Pytorch声纹识别模型EcapaTdnn全部模型参数文件
2023-08-11
自定义中文语料约2千万条数据
2022-11-14
3000+小时的中文普通话语音数据集
2022-11-14
WeNet中的Fbank有没有对齐的Python版本？
2021-11-29
请问wave.open读取的流怎把它转换为跟soundfile一样的numpy结果呢？
2021-10-29
中英文混合端到端语音识别模型
2021-10-17
在Android上如果对音频做快速傅里叶变换
2021-09-28
Android如何不预览从摄像头中获取视频帧？
2019-04-15
Android新版本模拟器要输入密码问题
2017-06-15
在paddlepaddle中的book里“识别数字”如何引用其他训练数据
2017-10-25
TA创建的收藏夹 TA关注的收藏夹
TA关注的人