VoxLock：无需预先注册，为语音代理提取目标说话人语音
VoxLock 是一款开放系统，可利用通话过程中截取的语音样本分离来电者的声音。它使用单块 GPU 微调了拥有 2700 万参数的 REAL-TSE 模型。在 Krisp 的 265 段录音基准测试中，VoxLock 的词错误率（WER）为 4.95%，未经处理时为 23.21%；在 85 分钟仅含背景语音的录音中，只有 9 个背景词进入转写结果。在 400 段 AMI 会议音频中，WER 从 42.95% 降至 10.63%。8 位量化模型可实时运行，算法延迟为 24 毫秒，占用一个 CPU 线程的 77%。模型、代码和逐文件评分均已公开。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。