hertz-dev

Open-Source Basismodell für Vollduplex-Audiogenerierung

Normales ProduktProgrammierungAudioverarbeitungSpracherkennung

hertz-dev ist ein von Standard Intelligence entwickeltes Open-Source Basismodell für die Vollduplex-Audiotransformation mit nur Audiodaten und 8,5 Milliarden Parametern. Das Modell repräsentiert skalierbare, cross-modale Lerntechniken und kann Mono-Audiodaten mit 16 kHz Abtastrate in eine 8 Hz latente Darstellung mit einer Bitrate von 1 kbps umwandeln, wobei es herkömmliche Audio-Encoder übertrifft. Zu den Hauptvorteilen von hertz-dev gehören geringe Latenz, hohe Effizienz und einfache Feinabstimmung und Erweiterung für Forschende. Standard Intelligence verfolgt das Ziel, allgemeine Intelligenz zum Wohle der Menschheit zu schaffen, und hertz-dev ist ein erster Schritt auf diesem Weg.

Best AI Websites & Tools

hertz-dev

hertz-dev Neueste Verkehrssituation

hertz-dev Besuchstrend

hertz-dev Geografische Verteilung der Besuche

hertz-dev Traffic-Quellen

hertz-dev Alternativen

hertz-dev — Open-Source Basismodell für Vollduplex-Audiogenerierung

Llasa-1B — Llasa-1B ist ein auf LLaMA basierendes Text-to-Speech (TTS)-Modell, das die Sprachsynthese in Mandarin und Englisch unterstützt.

Speechllect — Echtzeit-AI-Lösung für Sprach-zu-Text- und Text-zu-Sprach-Konvertierung

HunyuanVideo-I2V — HunyuanVideo-I2V ist ein von Tencent entwickeltes Framework zur Bild-zu-Video-Generierung, basierend auf HunyuanVideo.

Llasa — Ein auf dem Llama-Framework basierendes TTS-Basismodell, kompatibel mit 160.000 Stunden tokenisierter Sprachdaten.

Octave TTS — Octave TTS ist das erste Sprachsynthesemodell, das den Textinhalt versteht und emotionsgeladene und stilvolle Sprache generieren kann.

IndexTTS — Industrielles, steuerbares und effizientes Zero-Shot Text-to-Speech-System

Wan — Wan ist ein fortschrittliches visuelles Generierungsmodell, entwickelt von Alibaba Cloud's Tongyi Lab, das Videos auf Basis von Texten und Bildern generieren kann.

SkyReels-V1-Hunyuan-I2V — SkyReels V1 ist ein quelloffenes, menschenzentriertes Videobasismodell, das sich auf die Erzeugung hochwertiger, filmreifer Videos konzentriert.

SkyReels-V1 — SkyReels-V1 ist das erste Open-Source-Videobasismodell mit menschlichem Fokus, das sich auf die Generierung hochwertiger Videos konzentriert.

DeepScaleR-1.5B-Vorschau — Ein großes Sprachmodell, optimiert durch Reinforcement Learning, das sich auf die Verbesserung der Fähigkeiten zur Lösung mathematischer Probleme konzentriert.

FireRedASR — Ein quelloffenes, industrietaugliches Mandarin-Sprachmodell zur automatischen Spracherkennung (ASR), das verschiedene Anwendungsszenarien unterstützt.

Lumina-Video — Lumina-Video ist ein erstes Versuchsprojekt zur Videogenerierung, das die Text-zu-Video-Generierung unterstützt.

YuE — YuE ist ein quelloffenes Musik-Basismodell, das sich auf die Generierung ganzer Songs konzentriert und anhand von Texten komplette Musikstücke erstellen kann.

Llasa-3B — Llasa-3B ist ein auf LLaMA basierendes Text-to-Speech-Modell (TTS), das die Generierung von Sprache in Chinesisch und Englisch unterstützt.

Kokoro-82M — Ein fortschrittliches Text-to-Speech (TTS)-Modell mit 82 Millionen Parametern.

Robo Blogger — Assistent zur Umwandlung von Sprache in Blogbeiträge

OmniAudio-2.6B — Das weltweit schnellste, am Rande der Cloud einsetzbare Audio-Sprachmodell

CosyVoice Sprachgenerierungs-Großmodell 2.0-0.5B — Effizientes, mehrsprachiges Sprachsynthesemodell

Allegro-TI2V — Text-to-Video-Generierungsmodell basierend auf Bilddaten

OuteTTS-0.1-350M — Ein Text-zu-Sprache-Synthesemodell, das rein auf Sprachmodellen basiert.

Universal-2 — Die nächste Generation der Sprach-KI, die herausragende Audiodatenverarbeitungsfunktionen bietet.

GLM-4-Voice — End-to-End Chinesisch-Englisch Sprachdialogmodell

Spirit LM — Multimodales Sprachmodell, das Text und Sprache integriert

CogView3-Plus-3B — Text-zu-Bild-Generierungsmodell, unterstützt die Erzeugung hochauflösender Bilder

F5-TTS — Hochwertiges, auf Deep Learning basierendes Text-to-Speech-Synthesemodell

Llama 3.2 3b Voice — Sprachsynthese-Tool basierend auf dem Llama-Modell.

VALL-E 2 — Von Microsoft Research Asia entwickelte Sprachsynthesetechnologie

Deepgram Voice Agent API — Echtzeit-konversationale KI, nahtlose API-Integration.

Qwen2.5 — Open-Source-Großes Sprachmodell, unterstützt mehrsprachigen Betrieb und Anwendungen in Fachbereichen.