或许是当前最好的带说话人识别的语音转文字方案? 试了下Whisper + Nvidia Nemo, 比之前用PyAnnote效果好不少. (有更好的请告诉我!) 另外实验了下, 做完这步后. 说话人名字也可以很方便的用LLM来根据文本内容来识别. (speaker 0 -> Elon Musk 这样) *附上了一段全自动生成的字幕作为展示

分享一个链接

发表一篇文章

任何有趣的，图片，热点新闻，视频，文字...

3062 位用户此时在线

24小时点击排行 Top 10：

原来这是女性下腹部隆起的真相

近日，有网友在抖音分享，北京的警察暴力清场国家信访局的访民，随后警察发现了拍摄者，走过来抢夺拍摄者的手机。

10月23日，江西，有网友在外包装密封完好的特仑苏牛奶吸管内发现活虫。

10月29日，江苏泰州，一名华为汽车车主发布视频称，自己的车辆后视镜被贴上小广告，撕下时竟连带将后视镜表层油漆一同扯掉。然而，视频发布不久后，其抖音账号头像被系统强制重置，并被禁止发布作品，处罚原因显示为“色情导流”。

B站出现了大量汪文斌出任柬埔寨大使相关视频，弹幕评论区一片阴阳怪气🤪 #太子集团

10月20日，河南村镇银行储户何科强去河南问存款，被四个河南警察截访掳到火车上殴打，手机屏幕被摔碎。火车乘警告知储户，打人者是郑州公安局的民警。

这头🐷长相有点熟悉啊！

潜伏在粉红群里刷到了这个大清太监锐评《澎湖海战》的视频，绷不住了😂 🕶️ 匿名投稿

兩名伊斯蘭爛民在英國襲擊一名英國男士，隨後被公交車上的一群男孩營救，並且教訓了其中一個爛民。英國人必須覺醒，驅逐野蠻，禁止伊斯蘭恐怖主義的蔓延。

成功人士就应该多生我们这种失败者，就应该断子绝孙

怎么防？

10月28日，江苏，一家校园智慧系统制造商发布宣传视频，展示其最新研发的“无感知人脸抓拍系统”。视频介绍称，该系统可与学校的请假管理和寝室熄灯考勤系统联动，自动识别学生是否按时返寝，并将数据实时推送至值班教师手机，实现“全程智能监管”。视频发布后，不少网友在评论区一片嘲讽。

中共本以為可以利用稀土卡美國脖子，結果沒想到被自己嘎了腰子，斷了自己的財路。相信與美國友好的國家都不會差到哪去，習近平一天到晚想着與窮鬼惡魔為伍，讓中國人成為他的個人殉葬品。

外國留學生在三峽大學入室性侵女大學生事件，被當作國家機密禁言，相關的大學生討論群被強制解散，官方一面倒不作回應。

10月23日，广东，一位96岁的老人赶集卖菜和鸭蛋，但老人的生意并不好，一上午只卖出一元钱。家中还有老伴儿瘫痪在床，正等着他回家。

10月28日，湖南省长沙市望城区，明昇望月府的工人因项目方拖欠工资被迫通过跳楼的方式讨薪。

女的口無遮攔，男的手起湯烙。

來自西班牙哈恩的年輕攝影師安赫爾·伊達爾戈（Ángel Hidalgo）拍攝到了伊比利亞半島上首只有記錄的白化型伊比利亞猞猁。

中國零零後都是老闆、老總，他們的宿舍也是老闆套房，生活簡直天下無敵⋯⋯

今天路过一个房子，被吓了一跳…太逼真了🥶🥶🥶🥶

卧槽兄弟们 Soul发布的这个语音模型很强 SoulX-Podcast实现了：高真实度、长时段、多说话人、多语种（中英双语 + 多方言）播客式语音生成具备方言与副语言（如笑声、叹气等）控制能力可连续生成 90 分钟以上的对话内容而不失稳定性支持普通话、英语及多种中文方言多人多轮对话

10月29日，据1818黄金眼报道，一对夫妇携临产孕妇入住杭州如家商旅酒店，因房间疑似甲醛异味重而要求退房退款，前台顺利办理后，却遭酒店员工发来侮辱性短信称其行为“让人恶心”。

卧槽，我骂了这么久福建舰是蒸气朋克，没想到真正的蒸气朋克在美国

10月29日，河北，某中学的感恩教育：向父母叩首。

汉族被人口不到自己零头的满清征服，统治了两百多年，梳头穿衣服都随了满人。劝汉族女人不缠足，还得靠满清太后，当然劝了也白劝，汉族女人不缠足，嫁不出去。这么变态的一个民族，在世界各国的成熟文明中，再找另一个都不容易。西方列强打过来，汉人有机会推翻满清朝廷，但折腾了几十年，弄出来一个比

本站自动实时分享网络热点
24小时实时更新
所有言论不代表本站态度
欢迎对信息踊跃评论评分
评分越高，信息越新，排列越靠前

2

1

0

或许是当前最好的带说话人识别的语音转文字方案?
试了下Whisper + Nvidia Nemo, 比之前用PyAnnote效果好不少. (有更好的请告诉我!)
另外实验了下, 做完这步后. 说话人名字也可以很方便的用LLM来根据文本内容来识别. (speaker 0 -> Elon Musk 这样)
*附上了一段全自动生成的字幕作为展示
时政
( twitter.com )

1年前由 G_Z 提交

1周内 1个月内 1年内全部时间

1
2
3
4
5
6
...
400
下一页

1

3

2

2

西北工业大学开源了一个语音理解模型：OSUM，支持8种语音理解任务，从ASR到情感识别，以及语音到文本的深度理解
支持语音识别(ASR)
带时间戳的语音识别(SRWT)
声音事件检测(VED)
语音情感识别(SER)
说话风格识别(SSR)
说话者性别分类(SGC)
说话者年龄预测(SAP)
语音到文本对话(STTC)
时政
( twitter.com)

8个月前 • AIGCLINK • -- 点击 • 下载视频 0 评论

00:01:17

2

2

1

1

# AI 开源模型分享
最强语音识别和说话人分离模型
Reverb 推出最强开源语音识别 (ASR) 和说话人分离 (Diarization) 模型, 评测结果击败 OpenAI 推出的 Whisper large-v3！
# Reverb ASR 模型
- 使用 20 万小时的人工转录数据训练
- 达到了最新的词错误率 (WER) 水平
- 支持可定制的逐字转录
#
时政
( twitter.com)

1年前 • meng shao • -- 点击 0 评论

3

2

1

1

Geimini 1.5 原生多模态的音频理解, 强的有点夸张...
不仅能识别说话语气, 还能自动识别说话人到人名?
我拿了一个最近两天的音频给Geimin 1.5
问: "整体概括, 告诉我前两分钟说话的人是谁. 语气如何"
不仅几乎完美回答, 同时还把具体说话的美国议员的名字都识别出来了... (这真不是data leak?)
时政
( twitter.com)

1年前 • G_Z • -- 点击 0 评论

4

2

1

1

我经常会推荐一些工具，但同一件事可能有多个工具能做。

比如我推荐Whisper可以语音转字幕，就有人说飞书、剪映能做这事还不用这么麻烦；我推荐Whisper做字幕识别，有人就说YouTube不是直接能识别吗；比如我推荐文字转语音…
推特中文圈
( twitter.com)

2年前 • 宝玉 • -- 点击 0 评论

5

2

1

1

OpenAI已经为“GPT-5”提交了商标申请，该商标涵盖了以下内容：

- “人工生成人类语音和文本的软件”
- “将音频数据文件转换为文本”
- “声音和语音识别”
- “基于机器学习的语言和语音处理”…
IT技术
( twitter.com)

2年前 • GPTDAOCN • -- 点击 0 评论

6

2

1

1

用最新版!

效果远比之前自己用VITS类做出来的好，
这次还自带多语言支持（只用给中文数据，直接能说各种其他语言）.

多音字和发音上还有进步空间，但训练方便程度（~5分钟录音）和暂时无出其右的多语言是真的漂亮.

用在问答机器人或者语言学习上也会蛮有意思的.
时政
( twitter.com)

2年前 • G_Z • -- 点击 • 下载视频 0 评论

00:00:29

7

2

1

1

#AI产品推荐：Memo
Memo - AI 驱动的视频、播客转文字、字幕工具

推荐个字幕识别和翻译的工具Memo

支持多平台，利用Whisper技术识别语音到到字幕，然后可以对识别的字幕进行简单的编辑。

另外可以对识别的字幕翻译，支持Google翻译和OpenAI（需要自己的API Key）…
IT技术
( twitter.com)

2年前 • 宝玉 • -- 点击 0 评论

8

2

1

1

#开源项目推荐：SwiftWhisper

SwiftWhisper是基于Whisper.cpp二次封装后，让Swift方便调用的库，基于它可以方便的开发语音识别转文字类的Whisper应用。

IT技术
( github.com)

2年前 • 宝玉 • -- 点击 0 评论

9

3

2

2

剑桥版圣书体象形文字“字母表”——世界性的悲剧，埃及学学界不知道圣书体象形文字最初都是汉字，发汉语古音，这些古音至今还在中国从西南边陲到东南沿海一带的方言中保留，主要是闽南语、吴语、客家话、平话等。
请大家收好我的释读，这是有根有据的释读，任何“专家”不要试图来抗辩。
不要说我不讲武德。
时政
( twitter.com)

1年前 • 广百宋斋 @ 道非常 • -- 点击 0 评论

10

2

1

1

发现一个音频转字幕的简单方法，就是使用飞书的Minutes，把音频上传上去后，自动能识别字幕，并且还能识别Speaker，刚测试了一个播客的音频，效果非常好👍🏻

图片
( www.larksuite.com)

2年前 • 宝玉 • -- 点击 0 评论

11

2

1

1

最近我试用了一下飞书的妙记来帮我生成视频字幕和翻译字幕，效果挺不错的，能比较快的识别中文和英文（还有其他语言的支持，不过没一一测试），能识别发言人，对一些口音比较重的中式英语印式英语都能识别的很不错。
我日常翻译字幕时需要手动做的一些事情可以自动化了：
-
IT技术
( twitter.com)

1年前 • 宝玉 • -- 点击 0 评论

12

2

1

1

能用图像识别+音频转文字把视频生成长文档，再对文档进行提问、对话。

主要使用的技术包括：ChatGPT、BLIP2、GRIT、Whisper、LangChain。

有点像MiniGPT…
推特中文圈
( twitter.com)

2年前 • 宝玉 • -- 点击 0 评论

13

2

1

1

这个工作量应该不小的。这个里面大概经过了语音识别，这个应该是Whisper。
然后是做了一部分都voice clone，提取语音的音色等参数，然后再把数据给 tortoise-tts 合成带原始说话人音色的语音。然后还要做一部分的 lipsync。这个估计是拿wav2lip做的。…
IT技术
( twitter.com)

2年前 • 雷尼尔 • -- 点击 0 评论

14

3

2

2

兄弟们炸裂了
这个语音专文本TTS模型应该是目前对中文支持最好的了
ChatTTS：专门为对话场景设计的文本到语音TTS模型
该模型经过超过10万小时的训练，公开版本在 HuggingFace 上提供了一个4万小时预训练的模型。
专为对话任务优化，能够支持多种说话人语音，中英文混合等。
时政
( twitter.com)

1年前 • 小互 • -- 点击 • 下载视频 0 评论

00:05:26

15

2

1

1

OpenCat 1.4.1 for iOS 更新啦，支持了 Whisper 的语言识别。在聊天窗口轻点麦克风 🎤 切换到语音输入。长按开始录音，松开手指发送。长按后左滑取消录音，右滑可以编辑识别的文字。
IT技术
( twitter.com)

2年前 • Baye aka 威力狈 • -- 点击 0 评论

16

2

1

1

#AI开源项目推荐 subtitler
不需要上传视频到服务器，直接在浏览器端就可以语音转录成文本字幕，以及对转录的字幕编辑，生成带字幕视频的开源网站。语音转字幕利用的是 WebGPU，在浏览器端执行 Transformer + Whisper 模型（目前只能支持 tiny 和 base 模型）。视频生成是基于一个库叫
IT技术
( twitter.com)

1年前 • 宝玉 • -- 点击 0 评论

17

2

1

1

周五软件分享
- VAVE BG（图一）：AI 壁纸仓库
- 语音克隆（图二）：提取人类音色，将文字或其他语音转成该音色
- Easydict（图三）：macOS 桌面翻译软件
#科技爱好者周刊（第 279 期）
IT技术
( twitter.com)

1年前 • ruanyf • -- 点击 0 评论

18

2

1

1

🎉🎉🎉 OMG！我发现了一个超级神器，它就是飞书妙记！语音和视频内容全都可以转文字

我会把我们公司每次的分享会以文字形式整理出来，它还能自动识别讲话人的音色，非常的实用

这款神器完全免费！不用担心会产生任何费用！

链接：…
币圈
( twitter.com)

2年前 • 千寻 • -- 点击 0 评论

19

3

2

2

如今人人都是「字幕君」，下载到视频直接丢进Memo中识别字幕，然后用沉浸式翻译翻译字幕文件，再导出译文或者双语字幕，MacBook可以用IINA观看。
时政
( twitter.com)

2年前 • 天天 • -- 点击 0 评论

20

2

1

1

我确实没想到有人用Whisper和ChatGPT来面试作弊……

这个开源项目是专门用来面试作弊的，Whisper用来识别语音成文字，ChatGPT根据识别出来的文字为你提供参考答案！

慎用！！被面试官发现后果很严重！…
IT技术
( twitter.com)

2年前 • 宝玉 • -- 点击 0 评论

21

2

1

1

希腊字母从公元前9世纪末或8世纪初开始被用来书写希腊语。它源于早期的腓尼基字母，是已知最早的有元音和辅音的字母文字。在古希腊和早期古典时代，希腊字母有许多地方性的变体，但到了公元前4世纪末，由24个字母组成的欧几里得字母表，从阿尔…
有趣
( twitter.com)

2年前 • 出埃及记 • -- 点击 0 评论

22

2

1

1

#工程师工具看到一个在线文字转语音的工具「TTSMaker」，提供语音合成服务，支持多种语言以及各种风格，可以用它朗读文本或者合成视频声音，可完全免费用于商业场景，弄好后直接下载文件，普通用户每周限制 20000 个字符使用，基…
推特中文圈
( twitter.com)

2年前 • Tw93 • -- 点击 0 评论

23

2

1

1

Whisper Web，在线音频文件转文本。

基于Transformers.js v2.2.0
支持 100 多种不同语言转录。

视频里没看到whisper Large选项，估计中文识别不会特别好。

昨天试了下阿里通义听悟…
IT技术
( twitter.com)

2年前 • 向阳乔木 • -- 点击 0 评论

24

2

1

1

近一个季度体验过的AI工具中，个人觉得实用且有趣的：
【图片】最可控最实用的AI生成图片：
【音乐】AI Music的iPhone时刻：
【语音】最牛逼的AI语言合成，带情感识别：
IT技术
( twitter.com)

1年前 • 向阳乔木 • -- 点击 0 评论

1
2
3
4
5
6
...
400
下一页

0.11014 Second , Gzip Enable.本网所有言论均来自网络，不代表本网站立场。联系方式: [email protected]

©2012.11.21 bad.news All rights reserved. 社区自动运营第 -- 年零 -- 天
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.

关注推特