VoscribeVoscribe 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。010AI音频创作# 免费工具# 转录工具# 音频转文本
EMOVAEMOVA(EMotionally Omni-present Voice Assistant)是一个多模态语言模型,它能够进行端到端的语音处理,同时保持领先的视觉-语言性能。该模型通过语义-声学解耦的语音分词器,实现了情感丰富的多模态对话,并在视觉-语言和语音基准测试中达到了最先进的性能。010AI音频创作# 多模态# 情感分析# 自然语言处理
NotebookLM Audio OverviewNotebookLM是一款帮助用户理解复杂信息的工具,通过摘要和提供相关引用来简化信息的获取。它现在提供了一个名为'Audio Overview'的新功能,用户可以通过一键操作,将文档、幻灯片、图表等转化为AI生成的音频讨论。这些讨论不仅总结了材料内容,还在主题之间建立联系,并且可以下载以便随时随地收听。尽管Audio Overview仍处于实验阶段,存在一些限制,例如生成大型笔记本的音频概述可能需要几分钟时间,并且AI主持人目前只能使用英语进行解释,有时可能会引入不准确的内010AI音频创作# AI# 信息理解# 学习工具
VoceraVocera是一个由Y Combinator支持的AI语音代理测试与监控平台,它允许用户通过模拟各种场景和使用真实音频来测试和评估AI语音代理的性能。该平台的主要优点在于能够快速启动测试,减少将AI代理投入生产环境的时间,同时提供实时监控和性能分析,确保AI代理在各种对话场景中都能提供无缝的用户体验。Vocera适用于需要快速创建和测试AI语音代理的企业和开发者,特别是在合规性要求较高的行业中,如医疗、法律等。010AI音频创作# AI# 实时通知# 性能分析
PixelPlayerPixelPlayer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010AI音频创作# 无监督学习# 视听分析# 音频分离
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。010AI音频创作# AI语音识别# 在线工具# 生产力工具
Make-An-Audio 2Make-An-Audio 2是一种基于扩散模型的文本到音频生成技术,由浙江大学、字节跳动和香港中文大学的研究人员共同开发。该技术通过使用预训练的大型语言模型(LLMs)解析文本,优化了语义对齐和时间一致性,提高了生成音频的质量。它还设计了基于前馈Transformer的扩散去噪器,以改善变长音频生成的性能,并增强时间信息的提取。此外,通过使用LLMs将大量音频标签数据转换为音频文本数据集,解决了时间数据稀缺的问题。010AI音频创作# 大型语言模型# 扩散模型# 文本到音频
Dolby OnDolby On是一款可以从手机上录制具有惊人Dolby音质的音频和视频的应用程序。它让您随时随地捕捉和分享灵感,无论是演奏、排练、创作歌曲、琴弦、歌词等等。Dolby On让您只需轻点一下即可录制和直播具有令人难以置信音质的歌曲和视频。010AI音频创作# 录音# 直播# 视频
MaskVATMaskVAT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。010AI音频创作# 同步性# 生成模型# 视频到音频
GenAUGenAU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。010AI音频创作# 变换器模型# 自动字幕# 音频生成
EMAGEEMAGE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。010AI音频创作# 人机交互# 手势生成# 虚拟人物动画
AI-Powered Sleep Story GeneratorAI-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。010AI音频创作# AI# 个性化# 助眠
Kaption AIKaption 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。010AI音频创作# AI摘要# Chrome插件# WhatsApp
音频提取文字工具AIbase音频提取文字工具利用人工智能技术,通过机器学习模型快速生成高质量的音频文本描述,优化文本排版,提升可读性,同时完全免费使用,无需安装、下载或付款,为创意人员提供便捷的基础服务。010AI音频创作# 人工智能# 免费工具# 机器学习
ManiWAVManiWAV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。010AI音频创作# 机器人学习# 泛化能力# 野外数据