音频处理

排序

发布更新浏览点赞

转换云

转换云是一个免费的在线音乐格式转换工具，专门用于解锁和转换加密的音乐文件格式。它支持将多种加密格式（如NCM、MFLAC、KGM、MGG等）转换为MP3格式，使用户能够在任何设备上播放自己喜欢的音乐，而不受格式的限制。例如可以解决QQ音乐、网易云等平台下载的歌曲非MP3格式而无法播放的问题。

080

PodExtra AI

PodExtra 是一款创新的由AI驱动的播客工具，它为您喜爱的播客提供文字转录、摘要、思维导图、大纲、高亮和要点。帮助您快速浏览内容，节省时间并提高效率。

070

音频处理 # AI播客工具 # PodExtra AI # 播客亮点提取

音分轨

音分轨-是制片帮视频制作平台(www.zhipianbang.com)旗下研发的产品，基于制片帮-悦音ANN-Rocknet人工智能引擎，提供快速、简单、高质量的音视频分轨软件服务,音分轨5.0卷积神经网络算法，让音质更加饱满、均衡，强劲的云端服务,让声音制作人、音乐家、DJ、音视频创作人以及其他音乐专业人士、创作人更加便捷、高效的进行创作。

070

音频处理 # AI人声分离 # AI音频人声分离 # 人声分离

ZAMZAR

Zamzar 是一款功能强大的免费在线文件转换工具，自2006年以来成功为数百万用户提供服务。Zamzar 支持超过1100种文件格式，覆盖文档、图像、视频、音频和电子书等多种类型的文件。用户无需下载任何软件，只需选择文件并选择目标格式，即可轻松完成转换。

060

音频处理音频工具 # PDF转换工具 # ZAMZAR # 免费文件转换工具

Switch Audio File Converter

Switch Audio File Converter是一款快速高效、稳定易用的多功能音频文件转换器，支持超过75种音频文件格式，包括MP3、WAV、FLAC、M4A、OGG等。该软件允许用户批量转换音频文件，并保持高质量。Switch还提供音频效果添加、元数据自动应用、视频到音频转换等功能，无论是用于专业音频处理还是日常音频管理，都能提供无与伦比的转换体验。

060

音频处理音频工具 # Switch Audio File Converter # 音频文件转换 # 音频格式批量转换

Pazera Software

Pazera Software是一家专注于开发音频和视频转换工具。其产品以高效、易用和多功能著称，广泛应用于各种音频和视频格式的转换。其明星产品 Pazera Free MP4 Video Converter 支持将几乎所有视频和音频文件转换为MP4格式，兼容多种便携设备和固定媒体播放器。

060

音频处理音频工具 # Pazera Software # 免费视频转换工具 # 免费音频视频转换

Convertilla

Convertilla是一款简单便捷的免费音视频转换器，专为用户提供多种视频和音乐文件格式的转换服务。该软件支持多种常见格式，如MP4、FLV、MKV、MPG、AVI、MOV、WMV、M4V、3GP、MP3、WEBM、OPUS、AAC、FLAC、APE、WAV、ASF等，满足用户的多样化需求。

050

音频处理音频工具 # Convertilla # 免费视频转换工具 # 多格式视频转换

Ezmp3.CC

EzMP3.CC是一个免费的 YouTube 到 MP3 转换器，帮助用户将 YouTube 视频快速转换为高质量的 MP3 音频。支持多种音频质量选择，从 64 kbps 到 320 kbps。无需注册，完全无广告，操作简单，适用于各类设备和浏览器。通过云服务器进行快速转换，确保用户的隐私和安全。

050

音频处理 # Ezmp3.CC # YouTube转MP3 # YouTube音频提取器

OpenYYY开源云音乐

OpenYYY开源云音乐是一款强大的免费在线音频格式转换工具，支持将网易云音乐、QQ音乐、虾米音乐、酷狗音乐、酷我音乐等多种云音乐格式转换为MP3、FLAC、WAV、M4A等常见格式。无需登录即可使用，操作简单高效。

040

音频处理音频工具 # OpenYYY开源云音乐 # 云音乐转MP3 # 免费音频转换工具

LALAL.AI

分离音乐中的人声和伴奏

030

音频处理 # 音频处理

Synthesia

人工智能视频创作平台

030

音频处理 # 音频处理

Runwayml

人工智能魔术工具箱

030

音频处理 # 音频处理

Vocal Remover

Vocal Remover是一款 AI 驱动的在线音乐处理工具，可以自动分离歌曲中的人声和伴奏，生成卡拉 OK 版本或纯人声版本（Acapella），适用于练歌、混音、音乐制作等多种场景。它使用强大的 AI 算法，仅需 10 秒即可完成音轨分离，帮助用户快速获取所需的音频内容。

020

音频处理 # AI音乐分离工具 # 免费卡拉OK伴奏生成 # 在线去除人声

AI 配音

微软官方文本转语音服务

020

音频处理 # 音频处理

歌词生成

AI 自动生成歌词网站

020

音频处理 # 音频处理

TTSMaker

免费文本转语音

020

音频处理 # 音频处理

麦悠电台

麦悠电台是一款利用AI技术实现新闻播报的APP。它通过智能算法将文字新闻转换为生动的对话形式，让用户在听新闻时有更自然、更有趣的体验。该产品的主要优点是个性化和智能化，用户可以根据自己的兴趣创建多个主题电台，APP会自动对新闻进行重要性分级。此外，它还支持本地和云端两种语音合成方式，以及音频导出功能，方便用户将生成的节目作为播客发布。麦悠电台由Fangtangjun (Chongqing) Technology Co., Ltd.开发，是一款免费的教育类APP，适合对新闻和AI技术感兴趣的用户。

010

音频处理 # AI # 个性化 # 教育

AILIBRI

AILIBRI是一个汇集了超过2000个AI神经网络工具的目录网站，涵盖了文本、图像、视频、音频等多个领域的工具。它为用户寻找合适的AI工具提供了极大的便利，无论是专业人士还是初学者，都能在这里找到满足其需求的工具。该网站提供了详细的分类和搜索功能，帮助用户快速定位到所需的工具。

010

音频处理 # AI工具 # 图像生成 # 文本处理

PLAUD

在线语音转文本工具，上次音频后可在线自动语音转写。

010

音频处理音频识别 # audio # plaud # transcript

Xploro

Xploro AI 是您的终极旅行伴侣，通过将技术与您的环境无缝融合，提升您的旅行体验。利用先进的地理定位技术，Xploro AI 可以准确定位您的位置，并在其广泛的数据库中查找附近的迷人旅游景点、隐藏的宝藏和历史遗址。AI 驱动的音频指南让您沉浸在您选择的目的地丰富的历史和文化中，Xploro AI 将成为您的故事讲述者，提供迷人的叙述和有趣的事实，使每一个时刻都更有意义。对于喜欢阅读的人，Xploro AI 还提供音频体验之外的文本指南，让您更深入地了解所访问的地方的细节、历史背景和实用信息。

010

音频处理 # AI # 历史 # 文化

Think in Italian AI Tutor

Think in Italian是一款专为意大利语设计的在线音频课程，通过这个课程，您可以在几天内用意大利语思考。它提供了一系列的音频课程，帮助您提高听力、口语和理解能力。这个课程还包括了文化背景知识，让您更好地融入意大利社会。Think in Italian提供不同难度级别的课程，适合初学者和有一定基础的学习者。价格根据不同的课程选项而定，可以在官方网站上查看更多信息。

010

音频处理 # 在线课程 # 意大利语 # 语言学习

Fineshare SonixTw

SonixTw AI Voice Cloning 是一款高质量的在线人工智能语音克隆产品，通过一次录音即可实现克隆，保留细腻的情感和音调。您可以为自己和团队创建数字孪生身份，发挥声音的全部潜力，提升生活体验和工作效率。

010

音频处理 # 人工智能 # 创意 # 语音克隆

DevMind AI

DevMind AI旨在无缝整合文本、图像、视频、音频和代码等多种模型的推理能力，帮助您像专业人士一样进行开发！DevMind AI通过AI功能增强您的项目。

010

音频处理 # 图像识别 # 多模态 # 文本分析

Gotalk.ai

Gotalk.ai 是一个强大的 AI 语音生成器，能够在几分钟内创建逼真的语音。完美适用于 YouTube、播客和电话系统问候语。通过先进的 AI 算法和深度学习技术，体验自然语音合成。我们的平台提供先进的 AI 语音合成，是寻找创新高效语音生成工具的专业人士的首选解决方案。

010

音频处理 # AI 语音 # 语音合成 # 逼真语音

Universal-2

Universal-2是AssemblyAI推出的最新语音识别模型，它在准确度和精确度上超越了前一代Universal-1，能够更好地捕捉人类语言的复杂性，为用户提供无需二次检查的音频数据。这一技术的重要性在于它能够为产品体验提供更敏锐的洞察力、更快的工作流程和一流的产品体验。Universal-2在专有名词识别、文本格式化和字母数字识别方面都有显著提升，减少了实际应用中的词错误率。

010

音频处理 # AI模型 # 数据管理 # 自动化

MaskVAT

MaskVAT是一种视频到音频(V2A)生成模型，它利用视频的视觉特征来生成与场景匹配的逼真声音。该模型特别强调声音的起始点与视觉动作的同步性，以避免不自然的同步问题。MaskVAT结合了全频带高质量通用音频编解码器和序列到序列的遮蔽生成模型，能够在保证高音频质量、语义匹配和时间同步性的同时，达到与非编解码器生成音频模型相媲美的竞争力。

010

音频处理 # 同步性 # 生成模型 # 视频到音频

Wookeys AI

Ultimate AI Assistant是一款综合AI助手，可帮助您简化任务，提高工作效率。它提供了生成文本、图像、代码、视频、音频等多种功能，具有高度定制化的AI解决方案。无论您是需要生成创意文案、设计图像、编写代码、制作视频还是创作音乐，Ultimate AI Assistant都能满足您的需求。该产品定价根据功能和使用量而定，详情请访问官方网站。

010

音频处理 # AI助手 # 代码生成 # 图像生成

MEMO

MEMO是一个先进的开放权重模型，用于音频驱动的说话视频生成。该模型通过记忆引导的时间模块和情感感知的音频模块，增强了长期身份一致性和运动平滑性，同时通过检测音频中的情感来细化面部表情，生成身份一致且富有表情的说话视频。MEMO的主要优点包括更真实的视频生成、更好的音频-唇形同步、身份一致性和表情情感对齐。该技术背景信息显示，MEMO在多种图像和音频类型中生成更真实的说话视频，超越了现有的最先进方法。

010

音频处理 # 情感检测 # 视频生成 # 身份一致性

AudioLCM

AudioLCM是一个基于PyTorch实现的文本到音频生成模型，它通过潜在一致性模型来生成高质量且高效的音频。该模型由Huadai Liu等人开发，提供了开源的实现和预训练模型。它能够将文本描述转化为接近真实的音频，具有重要的应用价值，尤其是在语音合成、音频制作等领域。

010

音频处理 # PyTorch # 文本到音频 # 语音合成

Voice Isolator

Voice Isolator 是 ElevenLabs 开发的一项 AI 音频解决方案，它能够从各种音频中提取出清晰的人声，去除街道噪音、麦克风反馈等不需要的背景噪音，适用于电影、播客和采访后期制作。这项技术对于提升音频质量、提高后期制作效率具有重要意义。

000

音频处理 # AI音频 # 人声隔离 # 后期制作

RODcast

RODcast是一个将Reddit上热门帖子转化为播客的平台，提供点播和直播服务。用户可以随时随地收听，加入现场节目或收听顶级subreddit转换为播客的内容。该平台通过将文字内容转化为音频，增强了Reddit社区的互动性和内容的可访问性，为听众提供了一种全新的Reddit内容消费方式。

000

音频处理 # reddit # 实时讨论 # 播客

AI-Powered Sleep Story Generator

AI-Powered Sleep Story Generator是一款创新的AI驱动工具，旨在帮助用户进入深度而宁静的睡眠。用户可以描述自己理想的睡眠场景，AI将利用最新技术制作出舒缓而沉浸式的音频故事，安抚心灵，帮助用户放松进入梦乡。该工具将个性化提升到新水平，根据用户的特定偏好和需求定制每个故事，无论是轻柔的自然声音、舒缓的叙述，还是两者的结合，AI技术都能确保完美适应用户的睡前例程。

000

音频处理 # AI # 个性化 # 助眠

Maidio

Maidio 是一款创新的音频内容应用，通过 AI 技术将 RSS 新闻自动转换为生动的对话式播客。它利用先进的自然语言处理技术，将新闻内容以主持人与助手的对话形式呈现，使用户能够以更有趣的方式获取信息。该应用支持多种个性化功能，如创建主题电台、智能优先级排序等，适合喜欢通过音频获取新闻的用户。它支持多平台使用，包括 iPhone、iPad、Mac 等，且完全免费。

000

音频处理 # AI 技术 # 个性化 # 播客

Simplify Your Audio Production

Simplify Your Audio Production是一个利用人工智能技术生成独特音效的网站，它允许用户通过文本描述或上传图片来创建个性化的音效。这项技术简化了音频制作流程，节省了从视频等其他媒体中提取音效的时间，使得内容创作者可以更专注于创意本身。产品提供了三种订阅计划，满足不同用户的需求，并且所有生成的音效均为免版税，可以广泛应用于各种项目中。

000

音频处理 # AI音效 # 个性化音效 # 免版税

ElevenLabs Text to Sound Effects

Text to Sound Effects是ElevenLabs开发的最新AI音频模型，能够根据文本提示生成各种音效、短音乐曲目、音景和角色声音。它代表了音频制作领域的重大创新，为电影电视工作室、视频游戏开发者和社交媒体内容创作者提供了快速、经济、大规模生成丰富沉浸式音景的工具。该产品通过与Shutterstock的合作，利用其丰富的音频库中的授权曲目，经过精细调整，为现代创作者创造了一个多功能的新工具。

000

音频处理 # ai音频模型 # 文本到声音 # 角色声音

Konch

Konch是一款出色的自动转录平台，支持30多种语言。它使用先进的AI技术，快速准确地将音频或视频文件转录成文本。用户可以选择完全由AI生成的转录结果，或选择人工审核和修正。Konch还支持将YouTube视频转换为文本，并提供高级编辑功能、多语言翻译、灵活的文本格式导出等特点。用户可以在不同场景下使用Konch，如转录音频或视频、研究转录、数字档案、播客转录等。

000

音频处理 # 转录 # 音频 # 食品

Youtube-Whisper

Youtube-Whisper是一个基于Gradio的应用程序，它通过提取YouTube视频的音频并使用OpenAI的Whisper模型来转录成文本。这个工具对于需要将视频内容转化为文本以进行分析、存档或翻译的用户来说非常有用。它利用了最新的人工智能技术，提高了视频内容的可访问性和可用性。

000

音频处理 # 人工智能 # 数据提取 # 视频分析

JoyVASA

JoyVASA是一种基于扩散模型的音频驱动人像动画技术，它通过分离动态面部表情和静态3D面部表示来生成面部动态和头部运动。这项技术不仅能够提高视频质量和唇形同步的准确性，还能扩展到动物面部动画，支持多语言，并在训练和推理效率上有所提升。JoyVASA的主要优点包括更长视频生成能力、独立于角色身份的运动序列生成以及高质量的动画渲染。

000

音频处理 # 人像动画 # 多语言支持 # 头部运动

EchoMimicV2

EchoMimicV2是由支付宝蚂蚁集团终端技术部研发的半身人体动画技术，它通过参考图像、音频剪辑和一系列手势来生成高质量的动画视频，确保音频内容与半身动作的连贯性。这项技术简化了以往复杂的动画制作流程，通过Audio-Pose动态协调策略，包括姿态采样和音频扩散，增强了半身细节、面部和手势的表现力，同时减少了条件冗余。此外，它还利用头部部分注意力机制将头像数据无缝整合到训练框架中，这一机制在推理过程中可以省略，为动画制作提供了便利。EchoMimicV2还设计了特定阶段的去噪损失，以指导动画在特定阶段的运动、细节和低级质量。该技术在定量和定性评估中均超越了现有方法，展现了其在半身人体动画领域的领先地位。

000

音频处理 # 人体动作 # 动画 # 半身动画

Skeleton Fingers

这是一款基于AI技术的网页音频转录产品,可以直接在浏览器中将音频链接、上传的音频文件或语音录制转换为文字。它具有以下优势:1)无需下载安装,在线即可使用;2)支持多种音频输入方式;3)AI语音识别技术,准确高效;4)操作简单,界面友好。该产品主要面向需要将音频内容转录为文字的人群,如视频制作者、播客主播、记者等,帮助他们提高工作效率。

000

音频处理 # AI语音识别 # 在线工具 # 生产力工具

Nes2Net

Nes2Net 是一个为基础模型驱动的语音反欺诈任务设计的轻量级嵌套架构，具有较低的错误率，适用于音频深度假造检测。该模型在多个数据集上表现优异，预训练模型和代码已在 GitHub 上发布，便于研究人员和开发者使用。适合音频处理和安全领域，主要定位于提高语音识别和反欺诈的效率和准确性。

000

音频处理 # 反欺诈 # 机器学习 # 深度学习

Kaption AI

Kaption AI是一款Chrome浏览器插件，它利用人工智能技术将WhatsApp上的音频消息转换成文字，并提供消息摘要和回复建议。这款插件重视用户隐私和安全性，采用先进的AI技术实现准确的转录和总结。它特别适合那些经常使用WhatsApp且难以听取长音频消息的用户，帮助他们节省时间，只关注重要的信息。

000

音频处理 # AI摘要 # Chrome插件 # WhatsApp

声音复刻

声音复刻是一套高效化的轻量级音色定制方案。用户在开放环境中录制秒级别录音即可极速拥有专属 AI 定制音色。核心产品优势包括超低成本、极速复刻、高度还原和技术领先。适用场景包括视频配音、语音助手、车载助手、在线教育和有声阅读等。

000

音频处理 # AI 音频 # 语音合成 # 音色定制

GenAU

GenAU是一个由Snap Research开发的音频生成模型，它通过AutoCap自动字幕生成模型和GenAu音频生成架构，显著提升了音频生成的质量。它在生成环境声音和效果方面具有挑战性，特别是在数据稀缺和字幕质量不足的情况下。GenAU模型能够生成高质量的音频，并且在音频合成领域具有很大的潜力。

000

音频处理 # 变换器模型 # 自动字幕 # 音频生成

Unified-IO 2

Unified-IO 2是一个统一的多模态生成模型,能够理解和生成图像、文本、音频和动作。它使用单个编码器-解码器Transformer模型,将不同模式(图像、文本、音频、动作等)的输入和输出都表示为一个共享的语义空间进行处理。该模型从头开始在大规模的多模态预训练语料上进行训练,使用了多模态的去噪目标进行优化。为了学会广泛的技能,该模型还在120个现有数据集上进行微调,这些数据集包含提示和数据增强。Unified-IO 2在GRIT基准测试中达到了最先进的性能,在30多个基准测试中都取得了强劲的结果,包括图像生成和理解、文本理解、视频和音频理解以及机器人操作。

000

音频处理 # Transformer # 动作 # 图像

AI Voice Generator Bot

AI语音生成器是一个简单易用的产品，它使用人工智能技术将文本转换为音频。它提供了多达25种不同的声音，完美演绎英语。您只需在Telegram上输入文本，我们即可回复相应的音频，无需等待。立即试用，快速将文本转换为语音。

000

音频处理 # telegram # 人工智能 # 语音合成

VideoLLaMA 2

VideoLLaMA 2 是一个针对视频理解任务优化的大规模语言模型，它通过先进的空间-时间建模和音频理解能力，提升了对视频内容的解析和理解。该模型在多选视频问答和视频字幕生成等任务上展现了卓越的性能。

000

音频处理 # 大型语言模型 # 空间-时间建模 # 视频理解

PixelPlayer

PixelPlayer是一个能够通过观看大量无标注视频学会定位产生声音的图像区域并分离输入声音成一组表示每个像素声音的组件的系统。我们的方法利用视觉和听觉双模态的自然同步特点,在不需要额外人工标注的情况下学习联合解析声音和图像的模型。该系统使用大量包含不同乐器组合独奏和二重奏演奏的训练视频进行训练。对每个视频没有提供出现了哪些乐器、它们在哪里以及它们是什么声音的监督。在测试阶段,系统的输入是一个展示不同乐器演奏的视频和单声道听觉输入。系统执行音频视觉源分离和定位,将输入声音信号分离成N个声音通道,每个通道对应不同的乐器类别。此外,系统可以定位声音并为输入视频中的每个像素分配不同的音频波形。

000

音频处理 # 无监督学习 # 视听分析 # 音频分离

Voscribe

Voscribe 是一款免费转录工具，可以将音频文件转换为文本。它支持将 MP3 转换为文本、MP4 转换为文本等多种格式，并能在 2 分钟内以 95% 的准确度提供可编辑的转录文本。

000

音频处理 # 免费工具 # 转录工具 # 音频转文本

AiTa

明星语音在线生成网站

000

音乐生成音频处理 # 工具达人 # 爱塔

Pandrator

Pandrator 是一个基于开源软件的工具，能够将文本、PDF、EPUB 和 SRT 文件转换成多种语言的语音音频，包括语音克隆、基于LLM的文本预处理以及将生成的字幕音频直接保存到视频文件中，与视频的原始音轨混合。它旨在易于使用和安装，具有一键安装程序和图形用户界面。

000

音频处理 # 开源 # 文本转语音 # 语音克隆

llm-podcast-engine

llm-podcast-engine是一个利用人工智能技术自动从网络资源创建引人入胜音频内容的智能播客生成器。该系统通过爬取新闻内容、使用Groq的语言模型生成自然叙述，并借助ElevenLabs的声音合成技术将其转换成音频播客。该项目展示了自动化内容生成和音频合成的强大能力，主要优点包括自动化新闻采集、AI驱动的内容生成、文本到语音合成、现代Web界面以及实时进度更新。

000

音频处理 # AI # 内容生成 # 播客

Tourly Guide

Tourly Guide是一款移动应用程序，通过使用人工智能技术，为用户提供独特的沉浸式音频导览体验。它允许用户在探索地标时，通过AI生成的音频指南获得深入的了解和教育。该产品的主要优点包括个性化的导览内容、用户友好的界面设计以及对教育和文化探索的重视。Tourly Guide的背景信息显示，它由Roadly, Inc.开发，旨在通过技术提升用户的旅游和学习体验。

000

音频处理 # AI # 教育 # 文化

ComfyUI-MMAudio

ComfyUI-MMAudio是一个基于ComfyUI的插件，它允许用户利用MMAudio模型进行音频处理。该插件的主要优点在于能够提供高质量的音频生成和处理能力，支持多种音频模型，并且易于集成到现有的音频处理流程中。产品背景信息显示，它是由kijai开发的，并且是开源的，可以在GitHub上找到。目前，该插件主要面向技术爱好者和音频处理专业人士，可以免费使用。

000

音频处理 # ComfyUI # MMAudio # 开源

ManiWAV

ManiWAV是一个研究项目，旨在通过野外的音频和视觉数据学习机器人操控技能。它通过收集人类演示的同步音频和视觉反馈，并通过相应的策略接口直接从演示中学习机器人操控策略。该模型展示了通过四个接触丰富的操控任务来证明其系统的能力，这些任务需要机器人被动地感知接触事件和模式，或主动地感知物体表面的材料和状态。此外，该系统还能够通过学习多样化的野外人类演示来泛化到未见过的野外环境中。

000

音频处理 # 机器人学习 # 泛化能力 # 野外数据

Gladia

Gladia I Speech-to-Text API 是一款基于先进的Whisper ASR技术的语音转文本API，能够将语音内容转录成文本，并提供翻译和音频智能分析的增值功能。它可用于虚拟会议、工作协作、内容制作和呼叫中心等多个场景。该API具有出色的转录准确性和可靠性，同时提供多语种翻译和音频智能分析功能，帮助用户更高效地处理语音内容。定价灵活透明，支持开发者根据需求选择适合的套餐。Gladia I Speech-to-Text API致力于为开发者提供强大的语音处理能力，助力他们构建创新的语音应用。

000

音频处理 # API # 翻译 # 语音转文本

podscript

Podscript 是一个强大的音频转录工具，它利用语言模型和语音到文本（STT）API，为播客和其他音频内容生成高质量的转录文本。该工具支持多种流行的STT服务，如Deepgram、AssemblyAI和Groq，并且可以处理YouTube视频的自动生成字幕。Podscript的主要优点是其灵活性和易用性，用户可以通过简单的命令行界面或方便的Web界面来操作。它适用于播客创作者、内容制作者以及需要快速转录音频的用户。Podscript是开源的，用户可以根据自己的需求进行定制和扩展。

000

音频处理 # STT # 开源工具 # 播客

DiariZen

DiariZen是一个基于AudioZen和Pyannote 3.1驱动的说话人分割工具包。说话人分割是音频处理中的一个关键步骤，它能够将一段音频中的不同说话人进行区分。这项技术在会议记录、电话监控、安全监听等多个领域都有广泛的应用。DiariZen的主要优点包括易于使用、高准确性和开源，使得研究人员和开发者可以自由地使用和改进它。DiariZen在GitHub上以MIT许可证发布，这意味着它是完全免费的，并且可以被商业使用。

000

音频处理 # MIT许可证 # 开源工具 # 机器学习

SoBrief

SoBrief是一个提供书籍摘要和音频的网站，它通过将书籍内容浓缩成易于理解的摘要，帮助用户在短时间内掌握书籍的核心思想。这个平台支持多种语言，拥有超过73,530本书籍的摘要，覆盖了广泛的主题和领域。SoBrief特别适合那些希望快速获取知识、提升阅读效率的用户，无论是学生、专业人士还是终身学习者，都能从中受益。

000

音频处理 # 书籍摘要 # 多语言支持 # 教育工具。

Ultimate Vocal Remover GUI

终极人声去除GUI是一款使用深度神经网络技术的人声去除工具。其核心开发者训练了所有提供的模型，除了Demucs v3和v4 4声道模型。该应用使用先进的源分离模型从音频文件中去除人声。无需额外的先决条件即可有效运行。适用于Windows 10及以上版本。

000

音频处理 # 深度学习 # 音频分离 # 音频处理

CyberHost

CyberHost是一个端到端音频驱动的人体动画框架，通过区域码本注意力机制，实现了手部完整性、身份一致性和自然运动的生成。该模型利用双U-Net架构作为基础结构，并通过运动帧策略进行时间延续，为音频驱动的人体动画建立了基线。CyberHost通过一系列以人为先导的训练策略，包括身体运动图、手部清晰度评分、姿势对齐的参考特征和局部增强监督，提高了合成结果的质量。CyberHost是首个能够在人体范围内实现零样本视频生成的音频驱动人体扩散模型。

000

音频处理 # 人体动画 # 人工智能 # 区域码本

SenseVoiceSmall

SenseVoiceSmall是一款具备多种语音理解能力的语音基础模型，包括自动语音识别（ASR）、口语语言识别（LID）、语音情感识别（SER）和音频事件检测（AED）。该模型经过超过40万小时的数据训练，支持超过50种语言，识别性能超越Whisper模型。其小型模型SenseVoice-Small采用非自回归端到端框架，推理延迟极低，处理10秒音频仅需70毫秒，比Whisper-Large快15倍。此外，SenseVoice还提供便捷的微调脚本和策略，支持多并发请求的服务部署管道，客户端语言包括Python、C++、HTML、Java和C#等。

000

音频处理 # 多语言支持 # 情感分析 # 语音识别

stable-audio-tools

stable-audio-tools是一个开源的PyTorch库,提供了用于条件音频生成的生成模型的训练和推理代码。包括自动编码器、隐式扩散模型、MusicGen等。支持多GPU训练,可以生成高质量的音频。

000

音频处理 # PyTorch # 开源 # 音频生成

PodRedit

PodRedit是一个播客分享平台，用户可以在这里发现和收听各种热门播客节目。该平台汇集了众多优质的播客内容，覆盖了两性杂谈、文化、商业等多个领域，为用户提供了一个便捷的播客收听和分享渠道。PodRedit登录后支持批量识别字幕。PodRedit以其丰富的内容和便捷的用户体验，满足了用户对于高质量音频内容的需求，成为了播客爱好者的重要聚集地。

000

音频处理 # 分享 # 娱乐 # 播客

EMAGE

EMAGE是一种统一的整体共话手势生成模型,通过表情丰富的掩蔽音频手势建模来生成自然的手势动作。它可以从音频输入中捕捉语音和韵律信息,并生成相应的身体姿势和手势动作序列。EMAGE能够生成高度动态和表现力丰富的手势,从而增强虚拟人物的互动体验。

000

音频处理 # 人机交互 # 手势生成 # 虚拟人物动画

AI音乐生成器

AI导航猫已收录国内外数百个不同类型的AI工具，每日更新和添加最新AI工具，AI学习开发的常用网站、框架和模型，帮助你加入人工智能浪潮，自动化高效完成任务！

000

音乐生成音频处理 # commercial music # Easy way to create music # film

ElevenReader Publishing

ElevenReader Publishing 是由 ElevenLabs 推出的创新平台，利用 AI 音频模型将书籍转化为高质量有声书。它解决了传统有声书制作成本高、流程复杂的问题，为作者提供了一个快速、免费且全球分发的解决方案。该平台支持多种文件格式导入，用户可以预览音频并选择喜欢的 AI 语音。此外，它还提供听众报告和分析功能，帮助作者更好地了解受众。其主要优点是零成本、快速生成和全球分发，适合独立作者和出版商。

000

音频处理 # AI 音频 # 全球分发 # 内容创作

必剪 Studio

必剪 Studio 是一款数字分身工具，支持形象驱动和音色定制。用户可以定制专属数字分身，用于配音、口播等场景。产品背景为解决用户在音频制作中个性化需求的问题，定位于提供便捷的数字分身创作工具。

000

音频处理 # AI 技术 # 数字分身 # 音色定制

AudioSeal

AudioSeal 是一种用于AI生成语音音频的本地化水印技术，具有最先进的鲁棒性和极快的检测速度。它通过联合训练一个嵌入水印的生成器和一个检测器，即使在音频编辑的情况下，也能在较长的音频中检测到水印片段。AudioSeal 设计了一个快速的单次通过检测器，检测速度比现有模型快两个数量级，非常适合大规模和实时应用。

000

音频处理 # AI生成 # 实时检测 # 语音水印

没有了

转换云

PodExtra AI

音分轨

ZAMZAR

Switch Audio File Converter

Pazera Software

Convertilla

Ezmp3.CC

OpenYYY开源云音乐

LALAL.AI

Synthesia

Runwayml

Vocal Remover

AI 配音

歌词生成

TTSMaker

麦悠电台

AILIBRI

PLAUD

Xploro

Think in Italian AI Tutor

Fineshare SonixTw

DevMind AI

Gotalk.ai

Universal-2

MaskVAT

Wookeys AI

MEMO

AudioLCM

Voice Isolator

RODcast

AI-Powered Sleep Story Generator

Maidio

Simplify Your Audio Production

ElevenLabs Text to Sound Effects

Konch

Youtube-Whisper

JoyVASA

EchoMimicV2

Skeleton Fingers

Nes2Net

Kaption AI

声音复刻

GenAU

Unified-IO 2

AI Voice Generator Bot

VideoLLaMA 2

PixelPlayer

Voscribe

AiTa

Pandrator

llm-podcast-engine

Tourly Guide

ComfyUI-MMAudio

ManiWAV

Gladia

podscript

DiariZen

SoBrief

Ultimate Vocal Remover GUI

CyberHost

SenseVoiceSmall

stable-audio-tools

PodRedit

EMAGE

AI音乐生成器

ElevenReader Publishing

必剪 Studio

AudioSeal

热门网址