AI

为什么要降噪？ 在许多语音相关的应用场景中，噪声的存在会严重影响性能和用户体验。例如： 语音识别:  噪声会降低语音识别的准确率，尤其是在低信噪比环境下。 语音克隆:  噪声会使依据参考音频合成语音的

F5-TTS 是一款先进的文本转语音系统，它使用深度学习技术生成逼真、高质量的人声。只需短短10秒的音频样本，就能克隆出你的声音。F5-TTS 能够准确再现语音，并赋予其丰富的感情色彩。 Window

自ChatGPT 3横空出世，掀起一股AI大模型热潮，国内外各类AI平台如雨后春笋般涌现。想要体验这些强大的AI能力？不必担心高昂的费用！许多平台都提供了免费API或免费额度，让你可以零成本体验人工智

吴恩达老师的「反思式三步翻译法」非常有效，它通过让模型自我审视翻译结果并提出改进建议，进一步提升翻译质量。然而，直接将该方法应用于 SRT 格式字幕翻译却存在一些挑战。 SRT 字幕格式的特殊要求 S

微软 Edge 浏览器的“大声朗读”功能因其丰富的音色、对上百种语言的支持，以及自然的合成效果，在社区中被广泛“白嫖”使用。 作为免费的语音合成服务，其几乎没有限制，且许多开发者也基于它开发了工具，其

在中文TTS技术上，最近一年涌现出众多优秀方案，如GPT-SoVITS、ChatTTS和Fish TTS等，阿里新推出的CosyVoice，效果最佳。

最近，试用了字节跳动推出的 Marscode，感觉挺不错。最让人惊喜的是，它还自带了一个在线IDE，不仅拥有智能补全、预测和问答等强大功能，而且操作起来流畅的就像使用本地编辑器一样，完全感觉不到延迟。

人工智能技术如火如荼，去除图片背景早已有n种不同实现不同模型，但相对来说安装配置环境略有些复杂，今天介绍一个及其简单的方式，仅需30行代码即可实现，当然功能相对也弱一些，要求不高的话，用起来还行。

微软edge浏览器中有个大声朗读功能，在任何页面均可免费使用，效果也还不错。那么能不能在任意地方调用这个朗读功能，从而实现将自己的文本合成语音呢？自然是可以的，pip中有个edge-tts库，可以很方

为音频和视频生成对应字幕的方法有很多，之前介绍过本地模型 openai-whisper ，虽然需要下载模型配置复杂环境,但全免费无限制。 今天介绍个更简单的方式，豆包提供的在线“音视频字幕生成”功能。

受益于AI技术的快速进步，曾经颇具挑战性的视频翻译如今变得更加易于实现，尽管效果可能尚未达到完美。 视频翻译较之文本翻译更为复杂，但核心依然是基于文字的翻译(尽管存在直接将声音转换成另一种语言声音的技

各种支持多语言语音识别的模型通常都是在 openai-whisper 基础上再开发的，例如更快、更精确的faster-whisper。

在使用视频翻译配音软件时，经常会遇到字幕翻译结果出现空白字幕行的问题，本文就解释下为何会出现这种问题，以及如何能避免或降低出现该问题的方法。 字幕翻译与普通翻译的不同 字幕翻译与普通翻译之间存在显著差

大家都知道字节的豆包模型非常非常便宜，但还不知道5月15日至8月30日期间，字节赠送5亿token免费用量，不仅有豆包模型，还有月之暗面模型，相当大方了属于是，白嫖谁不嫖，不嫖白不嫖，简单说下白嫖流程

ChatTTS火出圈了，然而文档语焉不详，尤其在语气、韵律、发音人具体控制方面，经过反复实测和踩坑，终于明白一点，记录如下。

最近几天，ChatTTS挺火，号称是专门为对话场景设计的文本转语音模型，拉下来玩了玩，开源版效果距离宣传视频还有不少差距，据说是故意限制。 马马虎虎至少能用，先来搭个web界面和懒人包，使用方便点。

ffmpeg是一款强大的音频视频处理工具，使用非常广泛，几乎所有市面上常见的影音类 剪辑类软件都会集成该工具，同样视频翻译配音软件中也将其集成在内。

openai-whisper是流行的语音识别解决方案，支持数十种语言，对中文支持效果也不错，不过在使用低于large尺寸的模型时，效果仍是略差。相比而言，国内阿里系专注于中文识别的模型效果就好了不少。

借助ffmpeg的wasm版本，可以实现本地网页处理视频、预览非mp4格式的视频等，最近用到了视频中分离音频、预览视频、截取分割等功能，简单记录下。 获取 ffmpeg.wasm 首先需要执行npm以

根据输入文字和选项，组装 ssml 格式数据，然后创建websocket连接edge TTS服务器，得到返回音频数据后，合并创建mp3下载到本地。