Upscayl
免费开源的AI画质提升、无损放大图片工具
一个使用OpenAI的Whisper Large v2进行语音识别的脚本，能够在短短10分钟内转录300分钟的音频 。该项目的目标是提供一个简单的入口来运行推理和微调Whisper，用于自动语音识别（ASR） 。该项目还提供了一个CLI（命令行界面），可以在终端上进行100多种语言的数据翻译和转录 。
数据统计
相关导航
EmojiFly
一个免费开源的AI表情生成器，由开发者cbh123创建并分享在GitHub上5。这个工具的主要功能是根据用户输入的关键词，自动生成相应的表情。这个表情生成器的使用非常简单。你只需在文本框中输入你想要转换为表情的文本，网站将自动生成相匹配的表情。特别值得一提的是，这个表情生成器还支持中文 功能点如下： 1. 表情符号搜索：您可以通过关键词搜索您需要的表情符号，以满足不同的需求和场景。 2. 表情符号下载：找到合适的表情符号后，您可以将其下载到本地设备上，以便使用和分享。 3. 表情符号添加：下载的表情符号可以添加到Slack等应用程序中，让您在聊天中更加生动和有趣。 4. 特色表情符号：EmojiFly提供一些特色的表情符号供您选择，这些符号可能具有一些特定的主题或表达方式。
TTS-Voice-Wizard
TTS语音向导是一种工具，允许用户通过微软Azure语音识别和TTS将语音转换为文本，然后再转换回语音
Umi-OCR
一款完全离线的OCR图片转文字识别软件，支持命令行、HTTP接口等多种调用方式，支持截图OCR / 批量OCR / 二维码 / 数学公式识别（测试中）
混元图像3.0 多模态图像生成模型
混元图像3.0（HunyuanImage-3.0 ）是一个突破性的原生多模态模型，它在自回归框架内统一了多模态理解和生成任务。它的文生图能力实现了与领先的闭源模型相当或更优的性能。
StyleTTS 2
一个开源的文本转语音工具，其表现可以媲美Elevenlabs。它具有以下特点： 1. 能够自动生成多种不同的语音风格，无需依赖特定的参考语音。 2. 采用特殊的训练方法，使得生成的语音更加贴近真人的说话方式。 3. 利用扩散模型技术，高效地生成不同风格的语音。 4. 提供对语音的精确控制，包括语速、语调等方面。 5. 在测试中，生成的语音质量接近于真人录音。即使没有特定说话者的样本，也能生成高质量的语音。 StyleTTS 2的工作原理是通过风格扩散和与大型语音语言模型的对抗性训练来实现接近人类水平的TTS合成。这个模型与其前身不同之处在于，它通过扩散模型将风格建模为一个潜在的随机变量，以生成最适合文本的风格，而不需要参考语音。此外，StyleTTS 2采用非自回归架构，它在生成语音时不需要依次预测每个音频样本，而是可以并行生成整个语音序列。这种方法大大提高了语音合成的速度。 StyleTTS 2在多个评估结果方面表现出色： 1. 在多个测试中，StyleTTS 2生成的语音质量非常高，接近或达到了真人录音的水平。这表明了其在模仿人类语音方面的高效能力。 2. 在LJSpeech数据集
ChuanhuChatGPT
一个开源的 ChatGPT Web UI 应用：川虎 ChatGPT。为 ChatGPT API 提供了一个 Web 图形界面。
wav2lip
功能特点： 语音到嘴唇生成：Wav2Lip利用先进的深度学习算法，能够根据给定的语音输入和人脸图像，生成非常逼真的嘴唇运动。这种技术可以应用在许多领域，如电影制作、虚拟角色和动画等。 在野外环境中实现：Wav2Lip是为了在野外环境下实现语音到嘴唇生成而设计的。这意味着它能够识别和生成逼真的嘴唇运动，即使在复杂的背景和光照条件下也能取得良好的效果。 基于深度学习：Wav2Lip基于深度学习技术，在训练过程中使用了大量的语音和人脸图像数据，使得其能够学习到语音和嘴唇之间的复杂关系，从而实现准确和逼真的嘴唇生成。 可扩展性：由于Wav2Lip是一个开源项目，它具有很高的可扩展性。通过对算法和模型的改进，它可以在未来更好地满足用户的需求，并应用于更多的应用场景。