其实调用第三方接口完成一个智能语音系统是非常简单的，像阿里、科大讯飞、微软都有相关接口，直接根据官方文档集成就可以，但想要离线的就要麻烦一点了，主要是想不花钱，现在人工智能基本是python的天下，不

语音识别技术的开源项目为我们提供了更多选择和可能性，包括基础工具包FunASR、高性能的Whisper.cpp、WhisperX具有单词级时间戳和说话人分离功能、AudioGPT用于理解和生成语音、音

一、 背景 最近在做大模型相关的项目，其中有个模块需要提取在线视频语音为文本并输出给用户。作为一个纯后端Jave工程师，搞这个确实是初次尝试。 二、 调研 基于上述功能模块，主要有三大任务：1、 提取

前言 前段时间测试一下OpenAI的语音识别模型 当时发现效率很低，今天发现阿里有一个专注的语音识别大模型FunAsr 看介绍Funasr的中文识别能力应该比Whisper更强大： Funasr的模型

1、AnimateAnyone AnimateAnyone 项目是由阿里巴巴智能计算研究院开发，你只需提供一个静态的角色图像（包括真人、动漫/卡通角色等）和一些动作、姿势（比如跳舞、走路），便可将其动

今天我们介绍的开源项目，可以免费进行视频/音频转录文字，也支持实时语音转文字，并且离线可用，帮助打工人提升效率，它就是：buzz

在这一讲之前，我们所用的大模型都是针对文本的。这一讲我们增加一个新的领域，即音频。我们将介绍OpenAI的Whipser模型。

Whisper API 仅支持小于 25 MB 的文件，如果您有比这更长的音频文件，则需要将其分成 25 MB 或更小的块或使用压缩音频格式。

开源组合llama+langchain助力开发者轻松使用whisper搭建本地环境，进行音视频的字幕生成和翻译，质量超级高，而且需求是转换为英语字幕，速度也是超级快的