多模态数据源转换引擎：把文档、图片与音频统一转成 Markdown
介绍 SkillHub 社区 Skill「多模态数据源转换引擎」（@user_317b55bd/source-to-markdown，v1.0.1）。支持 md/txt/docx/pdf/pptx/xlsx/csv/html/json/xml 等文档与结构化文件（默认 MarkItDown），图片与扫描 PDF 走腾讯 OCR，音频走腾讯 ASR，异常可降级 MiMo 与火山引擎；含 ZIP 材料包场景。说明 skillhub CLI 安装、各 Agent skills 目录、requires_api_key 配置及典型 Agent 触发用法。
閱讀全文TencentCloud ASR：在 Agent 中接入騰訊雲語音轉文字
TencentCloud ASR（@tencent-adm/tencentcloud-asr，v0.1.5）由騰訊雲語音團隊在 SkillHub 發佈，需配置 API Key，支持本地文件與 URL 音頻。提供一句話識別（≤60s）、錄音識別極速版（≤2h/100MB 同步）與錄音識別（≤5h 異步）三種模式，適用於轉寫、字幕、會議與語音消息等場景。本文介紹定位、能力、SkillHub 安裝提示與使用注意，並給出官方地址。
閱讀全文DeepSeek Harness 插件：moluyao/dsh-minimax-asr
`moluyao/dsh-minimax-asr` 是一款 DeepSeek Harness 全局插件，旨在集成 MiniMax 的語音識別與合成能力。該插件提供 `transcribe_audio` 和 `announce_speech` 工具，支持語音輸入、自動播報及免手對話模式，內置 303 種音色。用戶通過環境變量配置 API Key 後，即可在 DSH 中實現語音交互，適用於自動化任務播報及無接觸操作場景。
閱讀全文xby-asr-5：DeepSeek Harness 語音識別插件
xby-skill/xby-asr-5 是 DeepSeek Harness (DSH) 的插件，用於集成語音識別功能。該插件支持中、英、日、韓、粵五種語言，具備自動語種檢測能力。核心功能包括設置 API 密鑰以及識別音頻鏈接、Base64 編碼數據和本地文件。用戶需先註冊小笨羊官網獲取密鑰進行鑑權，然後通過對應函數調用識別服務。插件源碼託管於 GitHub，許可證爲 MIT。
閱讀全文xby-asr-1：通用語音識別插件
`xby-asr-1` 是一款爲 DeepSeek Harness (DSH) 開發的通用語音識別插件，支持多國語言及小語種。該插件由 `xby-skill` 維護，基於 MIT 許可證，提供 `set_xby_apikey` 密鑰設置及三種語音轉文字功能，分別支持音頻鏈接、Base64 編碼和本地文件路徑輸入。開發者需在官網註冊獲取密鑰，使用 `dsh plugin` 命令安裝後，即可在 DSH 聊天環境中調用相關功能，爲智能體快速集成語音識別能力。
閱讀全文dsh-speech：DeepSeek Harness 語音服務插件
dsh-speech 是 DeepSeek Harness (DSH) 的語音處理能力插件。它通過獨立路由提供 Token 門控的語音識別（ASR）與合成（TTS）服務，無需修改宿主源碼。 該插件支持多雲廠商（如阿里雲百鍊、OpenAI、Groq、硅基流動）及本地服務（如 SenseVoice、CosyVoice2），並具備流式轉錄、實時語音活動檢測等能力。用戶可靈活混搭 ASR 和 TTS 提供商，實現私有化部署或多雲切換，適用於離線語音處理等場景。
閱讀全文dsh-voice-scribe：DSH 專屬語音輸入插件
`dsh-voice-scribe` 是一款由 PensiveFei 維護的第三方 DSH 插件，旨在提供完善的本地離線語音識別體驗。 **核心功能**包括：支持本地 SenseVoice 引擎（自動回退瀏覽器或雲端）、自定義熱鍵與按住說話模式、流式實時反饋、麥克風診斷以及多語言支持。高級特性涵蓋熱詞替換表、AI 潤色（複用 DSH 模型）等。 **安裝與使用**：通過命令行安裝，支持 Electron 與 Web 端通用。使用 Alt 默認熱鍵錄音，可自定義組合鍵。遇到識別問題需檢查麥克風設備設置。插件在輸入框含引用或國內網絡環境下存在限制，但相比官方功能更豐富且注重隱私。
閱讀全文dsh-doubao-voice
`dsh-doubao-voice` 是 DeepSeek Harness (DSH) 的插件，旨在爲原生環境提供流式語音輸入能力。該插件通過瀏覽器採集 16kHz PCM 音頻，經 WebSocket 中繼至火山引擎豆包 Seed ASR 服務，實現邊說邊轉文本。核心功能包括四態指示、真流式處理、回滾與編輯、配置管理及本地安全存儲。用戶可通過終端安裝，並在設置頁或環境變量中配置憑據與參數。該插件基於 Proma 桌面端調研復刻，支持 LCP 合併算法，適用於長文本錄入場景。
閱讀全文快速使用PPASR V3版部署語音識別框架
這個詳細介紹展示瞭如何使用PaddleSpeech框架進行語音識別任務的開發與部署過程。以下是對你提供的信息的一些補充和建議： 1. **安裝環境**：確保你的環境中已經安裝了必要的依賴項，包括PaddlePaddle、PaddleSpeech等庫。可以通過pip命令來安裝這些庫。 2. **數據預處理**： - 你可能需要對原始音頻進行預處理步驟，如採樣率調整、噪聲去除等。
閱讀全文使用VAD將長語音分割的多段短語音
本文介紹了基於深度學習實現的語音活動檢測（VAD）工具YeAudio。首先安裝庫命令爲`python -m pip install yeaudio -i https://pypi.tuna.tsinghua.edu.cn/simple -U`，並使用如下代碼片段進行語音分割： ```python from yeaaudio.audio import AudioSegment audio_seg
閱讀全文基於PaddlePaddle訓練中文標點符號模型
這個項目提供了一個完整的流程來訓練和使用一個用於在中文文本中添加標點符號的模型。下面是整個過程的總結： 1. **環境準備**： - 確保安裝了必要的庫，如 `paddlepaddle-gpu` 和 `PaddleNLP`。 - 配置訓練數據集。 2. **數據處理和預處理**： - 對輸入文本進行分詞，並將標點符號標籤化。 - 創建訓練集、驗證集和測試集分割。 3.
閱讀全文基於PaddlePaddle實現的語音情感識別
你提供的內容是一個基於PaddlePaddle的語音分類任務的訓練和預測過程。接下來，我會爲你提供一個更詳細、完整的代碼示例，並解釋每個部分的功能。 ### 一、環境準備 確保已經安裝了必要的依賴庫，包括PaddlePickle版本的`paddle`等。可以使用以下命令進行安裝： ```bash pip install paddlepaddle==2.4.1 ``` ### 二、代碼實現
閱讀全文使用PaddlePaddle輕鬆實現語音合成
本文介紹了使用PaddlePaddle進行語音合成的實現方法，包括簡單的代碼示例、GUI界面操作以及Flask Web接口。首先通過簡單程序實現了文本到語音的基本功能，利用聲學模型和聲碼器模型完成合成過程，並將結果保存爲音頻文件；其次介紹了`gui.py`界面程序用於簡化用戶操作體驗；最後展示了使用`server.py`提供的Flask Web服務，能夠供Android應用或小程序調用以實現遠程語
閱讀全文給語音識別文本加上標點符號
本文介紹了在語音識別文本中根據語法添加標點符號的方法，主要分四步：下載並解壓模型、安裝PaddleNLP和PPASR工具、導入PunctuationPredictor類，並使用該類對文本進行標點符號自動添加。具體步驟如下： 1. 下載模型並解壓到`models/`目錄。 2. 安裝PaddleNLP和PPASR相關庫。 3. 使用`PunctuationPredictor`類實例化預測器，傳入預
閱讀全文PPASR流式與非流式語音識別
這段文檔介紹瞭如何使用PaddlePaddle實現的語音識別模型進行部署和測試，並提供了多種方式來執行和展示該模型的功能。以下是對文檔內容的總結及解讀： ### 1. 引言 - 概述了基於PaddlePaddle的語音識別模型，包括短語音和長音段的識別。 ### 2. 部署方法 #### 2.1 命令行部署 提供了兩種命令來實現不同的部署方式： - `python infer_server.
閱讀全文WenetSpeech數據集的處理和使用
WenetSpeech數據集提供10000+小時的普通話語音，分爲強標籤（10005小時）、弱標籤（2478小時）和無標籤（9952小時），用於監督、半監督或無監督訓練。數據按領域和風格分組，並提供了不同規模的數據集S、M、L及評估測試數據。教程詳細介紹瞭如何下載、製作並使用該數據集進行語音識別模型的訓練，適合ASR系統建設者參考。
閱讀全文PPASR語音識別（進階級）
這個項目是一個基於Kaldi和MindSpore實現的端到端ASR（Automatic Speech Recognition）系統。該系統的架構包括數據收集、預處理、模型訓練、評估及預測等多個階段。下面我將詳細解釋每個步驟，並提供一些關鍵信息，幫助你更好地理解這個流程。 ### 1. 數據集 項目支持多種數據集，例如AISHELL、Free-Spoken Chinese Mandarin Co
閱讀全文PPASR中文語音識別（入門級）
感謝你的詳細介紹！爲了進一步幫助大家理解和使用這個基於CTC的端到端中英文語音識別模型，我將從幾個方面進行補充和完善： ### 1. 數據集及其處理 #### AISHELL - **數據量**: 約20小時中文發音。 - **特點**: 包含普通話標準發音和部分方言。 #### Free ST Chinese Mandarin Corpus - **數據量**: 大約65小時中文發音。 -
閱讀全文基於PaddlePaddle實現的DeepSpeech2端到端中文語音識模型
這個教程詳細地介紹瞭如何使用PaddlePaddle進行語音識別，並提供了一系列的操作指南，幫助開發者從數據準備到模型訓練和上線部署。下面是對每個步驟的一個簡要總結： 1. **環境配置**：確保開發環境已經安裝了必要的軟件和庫，包括PaddlePaddle。 2. **數據準備**： - 下載並解壓語音識別數據集。 - 處理音頻文件，如去噪、降採樣等。 - 對文本進行
閱讀全文