一套关于前沿计算机视觉模型与技术的教程合集，涵盖从ResNet等基础架构到YOLO11、RT-DETR、SAM 2、Florence-2、PaliGemma 2和Qwen2.5VL等尖端模型的全方位探索。

说话人日志神经构建模块：语音活动检测、说话人变更检测、重叠语音检测、说话人嵌入

工业级可控高效的零样本文本转语音系统

🤗 Transformers：面向文本、视觉、音频及多模态模型的尖端机器学习模型定义框架，支持推理与训练全流程。

SD.Next：用于 AI 生成图像和视频创建、字幕和处理的一体化 WebUI

🤗 最大的 AI 模型即用数据集中心，提供快速、易于使用且高效的数据操作工具

专为从事大语言模型、多模态和语音人工智能（自动语音识别与文本转语音）的研究人员和开发者打造的可扩展生成式AI框架

大语言模型微调与强化学习 🦥 以2倍速度训练OpenAI gpt-oss、Qwen3、Llama 4、DeepSeek-R1、Gemma 3，节省70%显存

语音转语音：致力于构建开源模块化GPT4-o的项目

按模型组织的尖端深度学习脚本——易于在企业级基础设施上进行训练和部署，并具备可复现的准确性与性能。

VoiceStudio 是 ElevenLabs 的开源、完全本地化替代方案 — 提供 646 种语言的语音克隆、语音设计、视频配音、听写、转录和有声读物创建。

一个可扩展的生成式 AI 框架，专为从事大语言模型、多模态及语音 AI（自动语音识别与文本转语音）的研究人员和开发者构建。

OpenVINO™是用于优化和部署AI推理的开源工具套件

用单个文件分发和运行大语言模型。

开源 SenseVoiceSmall 模型，适用于普通话、粤语、英语、日语和韩语 ASR、语言 ID、情绪识别和音频事件检测。

VoxCPM：面向上下文感知语音生成与逼真音色克隆的无分词器文本转语音系统

基于 Apple MLX 框架构建的文本转语音 (TTS)、语音转文本 (STT) 和语音转语音 (STS) 库，可在 Apple Silicon 上提供高效的语音分析。

端到端语音识别基础工具包与开源SOTA预训练模型，支持语音识别、语音活动检测、文本后处理等功能。

MIT与MyShell联合开发的即时语音克隆技术

1分钟的语音数据也可以用来训练一个好的TTS模型！ （几张声音克隆镜头）