#语音识别 SR #AI #开源 #web

#语音识别 #ASR #AI #开源 #web Insanely Fast Whisper 基于 Whisper Large v3 模型的语音转文字工具，使用了 Transformers、Optimum 和 flash-attn 技术，转换 150 分钟的音频最快仅需 98 秒。 极快的转换速度，加上较高的精确度，算是 AI 落地很实用的一个工具了，转录会议记录之类的很方便，建议收藏。 在线体验 丨 GitHub 频道 @WidgetChannel

Weixin-Dyh-AI：将微信订阅号接入AI的后台管理系统

Weixin-Dyh-AI：将微信订阅号接入AI的后台管理系统 Weixin-Dyh-AI 是一个开源的后台管理系统，专为微信订阅号设计，使其能够接入多种 AI 服务。该系统支持与阿里 AI、Moonshot 和腾讯混元等多个 AI 平台的集成，允许用户通过配置实现与 AI 的多模态交流，如文本生成、图像识别、语音转换等。 标签：#微信 #AI #开源 #公众号 链接：

阿里巴巴开源能理解图像的 AI 模型 Qwen-VL

阿里巴巴开源能理解图像的 AI 模型 Qwen-VL 阿里巴巴周五开源了能理解图像和完成更复杂对话的 AI 模型和 Qwen-VL-Chat。阿里巴巴称，Qwen-VL 基于 Qwen-7B，可以以图像、文本、检测框作为输入，并以文本和检测框作为输出，它使用了约 1.5B 的图文数据训练。在四大类多模态任务的标准英文测评中上，Qwen-VL 均取得同等通用模型大小下最好效果；支持英文、中文等多语言对话，端到端支持图片里中英双语的长文本识别；支持多图输入和比较，指定图片问答，多图文学创作等；相比于目前其它开源 LVLM使用的 224 分辨率，Qwen-VL 是首个开源的 448 分辨率的 LVLM 模型。更高分辨率可以提升细粒度的文字识别、文档问答和检测框标注。Qwen-VL 和 Qwen-VL-Chat 使用名为 Tongyi Qianwen LICENSE AGREEMENT 的许可证，有限制条件，如果商业使用，则需要从阿里巴巴获得授权。来源 ， 频道：@kejiqu 群组：@kejiquchat 投稿：@kejiqubot

#AI #翻译 #配音 #开源

#AI #翻译 #配音 #开源 视频 AI 配音和翻译工具，具有语音识别、翻译、声音克隆、数字人对口型技术等特点，支持多种语言，适用于视频搬运、全球业务等场景，免费开源，需自行部署。 频道 @WidgetChannel

AI识别唇语：Meta 开源第一个视听语言翻译语料库 MuAViC

AI识别唇语：Meta 开源第一个视听语言翻译语料库 MuAViC MuAViC 源数据来自 TED 和 TEDx 超过8000名演讲者的视频，提供了9种语言的1200小时的音频-视觉语料，包括英语、阿拉伯语、德语、希腊语语、西班牙语、法语、意大利语、葡萄牙语和俄语。 MuAViC 支持多种任务，如自动语音识别、唇读、机器翻译和端到端的语音到文本翻译。Meta 的开源模型 AV-HuBERT 经过 MuAViC 训练后，在嘈杂环境中的表现远优于其它领先的翻译模型。

Meta 开源发布可分割识别任意图像中主体的 SAM 模型

Meta 开源发布可分割识别任意图像中主体的 SAM 模型 已经理解了对象是什么的一般概念，可以直接对没见过的图像进行分割任务 (识别像素属于哪个对象)。Meta 还同时开源发布了比任何现有分割数据集大400倍的 SA-1B 数据集。 SAM 可以成为庞大AI系统的一部分，用于对世界进行多模态理解，例如理解图像和文本。SAM 可以在 AR/VR 中根据用户的视线选择对象，进行识别查询或者3D建模。SAM 可以进行智能抠图或视频后期。SAM 还可用于地球与太空的科学任务，对动物和物体进行定位，例如细胞显微镜，牧场的动物识别，天体运行跟踪。