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。
阅读全文TencentCloud ASR：在 Agent 中接入腾讯云语音转文字
TencentCloud ASR（@tencent-adm/tencentcloud-asr，v0.1.5）由腾讯云语音团队在 SkillHub 发布，需配置 API Key，支持本地文件与 URL 音频。提供一句话识别（≤60s）、录音识别极速版（≤2h/100MB 同步）与录音识别（≤5h 异步）三种模式，适用于转写、字幕、会议与语音消息等场景。本文介绍定位、能力、SkillHub 安装提示与使用注意，并给出官方地址。
阅读全文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 的语音识别与合成能力。该插件提供 `transcribe_audio` 和 `announce_speech` 工具，支持语音输入、自动播报及免手对话模式，内置 303 种音色。用户通过环境变量配置 API Key 后，即可在 DSH 中实现语音交互，适用于自动化任务播报及无接触操作场景。
阅读全文xby-asr-5：DeepSeek Harness 语音识别插件
xby-skill/xby-asr-5 是 DeepSeek Harness (DSH) 的插件，用于集成语音识别功能。该插件支持中、英、日、韩、粤五种语言，具备自动语种检测能力。核心功能包括设置 API 密钥以及识别音频链接、Base64 编码数据和本地文件。用户需先注册小笨羊官网获取密钥进行鉴权，然后通过对应函数调用识别服务。插件源码托管于 GitHub，许可证为 MIT。
阅读全文xby-asr-1：通用语音识别插件
`xby-asr-1` 是一款为 DeepSeek Harness (DSH) 开发的通用语音识别插件，支持多国语言及小语种。该插件由 `xby-skill` 维护，基于 MIT 许可证，提供 `set_xby_apikey` 密钥设置及三种语音转文字功能，分别支持音频链接、Base64 编码和本地文件路径输入。开发者需在官网注册获取密钥，使用 `dsh plugin` 命令安装后，即可在 DSH 聊天环境中调用相关功能，为智能体快速集成语音识别能力。
阅读全文dsh-speech：DeepSeek Harness 语音服务插件
dsh-speech 是 DeepSeek Harness (DSH) 的语音处理能力插件。它通过独立路由提供 Token 门控的语音识别（ASR）与合成（TTS）服务，无需修改宿主源码。 该插件支持多云厂商（如阿里云百炼、OpenAI、Groq、硅基流动）及本地服务（如 SenseVoice、CosyVoice2），并具备流式转录、实时语音活动检测等能力。用户可灵活混搭 ASR 和 TTS 提供商，实现私有化部署或多云切换，适用于离线语音处理等场景。
阅读全文dsh-voice-scribe：DSH 专属语音输入插件
`dsh-voice-scribe` 是一款由 PensiveFei 维护的第三方 DSH 插件，旨在提供完善的本地离线语音识别体验。 **核心功能**包括：支持本地 SenseVoice 引擎（自动回退浏览器或云端）、自定义热键与按住说话模式、流式实时反馈、麦克风诊断以及多语言支持。高级特性涵盖热词替换表、AI 润色（复用 DSH 模型）等。 **安装与使用**：通过命令行安装，支持 Electron 与 Web 端通用。使用 Alt 默认热键录音，可自定义组合键。遇到识别问题需检查麦克风设备设置。插件在输入框含引用或国内网络环境下存在限制，但相比官方功能更丰富且注重隐私。
阅读全文dsh-doubao-voice
`dsh-doubao-voice` 是 DeepSeek Harness (DSH) 的插件，旨在为原生环境提供流式语音输入能力。该插件通过浏览器采集 16kHz PCM 音频，经 WebSocket 中继至火山引擎豆包 Seed ASR 服务，实现边说边转文本。核心功能包括四态指示、真流式处理、回滚与编辑、配置管理及本地安全存储。用户可通过终端安装，并在设置页或环境变量中配置凭据与参数。该插件基于 Proma 桌面端调研复刻，支持 LCP 合并算法，适用于长文本录入场景。
阅读全文快速使用PPASR V3版部署语音识别框架
这个详细介绍展示了如何使用PaddleSpeech框架进行语音识别任务的开发与部署过程。以下是对你提供的信息的一些补充和建议： 1. **安装环境**：确保你的环境中已经安装了必要的依赖项，包括PaddlePaddle、PaddleSpeech等库。可以通过pip命令来安装这些库。 2. **数据预处理**： - 你可能需要对原始音频进行预处理步骤，如采样率调整、噪声去除等。
阅读全文使用VAD将长语音分割的多段短语音
本文介绍了基于深度学习实现的语音活动检测（VAD）工具YeAudio。首先安装库命令为`python -m pip install yeaudio -i https://pypi.tuna.tsinghua.edu.cn/simple -U`，并使用如下代码片段进行语音分割： ```python from yeaaudio.audio import AudioSegment audio_seg
阅读全文基于PaddlePaddle训练中文标点符号模型
这个项目提供了一个完整的流程来训练和使用一个用于在中文文本中添加标点符号的模型。下面是整个过程的总结： 1. **环境准备**： - 确保安装了必要的库，如 `paddlepaddle-gpu` 和 `PaddleNLP`。 - 配置训练数据集。 2. **数据处理和预处理**： - 对输入文本进行分词，并将标点符号标签化。 - 创建训练集、验证集和测试集分割。 3.
阅读全文基于PaddlePaddle实现的语音情感识别
你提供的内容是一个基于PaddlePaddle的语音分类任务的训练和预测过程。接下来，我会为你提供一个更详细、完整的代码示例，并解释每个部分的功能。 ### 一、环境准备 确保已经安装了必要的依赖库，包括PaddlePickle版本的`paddle`等。可以使用以下命令进行安装： ```bash pip install paddlepaddle==2.4.1 ``` ### 二、代码实现
阅读全文使用PaddlePaddle轻松实现语音合成
本文介绍了使用PaddlePaddle进行语音合成的实现方法，包括简单的代码示例、GUI界面操作以及Flask Web接口。首先通过简单程序实现了文本到语音的基本功能，利用声学模型和声码器模型完成合成过程，并将结果保存为音频文件；其次介绍了`gui.py`界面程序用于简化用户操作体验；最后展示了使用`server.py`提供的Flask Web服务，能够供Android应用或小程序调用以实现远程语
阅读全文给语音识别文本加上标点符号
本文介绍了在语音识别文本中根据语法添加标点符号的方法，主要分四步：下载并解压模型、安装PaddleNLP和PPASR工具、导入PunctuationPredictor类，并使用该类对文本进行标点符号自动添加。具体步骤如下： 1. 下载模型并解压到`models/`目录。 2. 安装PaddleNLP和PPASR相关库。 3. 使用`PunctuationPredictor`类实例化预测器，传入预
阅读全文PPASR流式与非流式语音识别
这段文档介绍了如何使用PaddlePaddle实现的语音识别模型进行部署和测试，并提供了多种方式来执行和展示该模型的功能。以下是对文档内容的总结及解读： ### 1. 引言 - 概述了基于PaddlePaddle的语音识别模型，包括短语音和长音段的识别。 ### 2. 部署方法 #### 2.1 命令行部署 提供了两种命令来实现不同的部署方式： - `python infer_server.
阅读全文WenetSpeech数据集的处理和使用
WenetSpeech数据集提供10000+小时的普通话语音，分为强标签（10005小时）、弱标签（2478小时）和无标签（9952小时），用于监督、半监督或无监督训练。数据按领域和风格分组，并提供了不同规模的数据集S、M、L及评估测试数据。教程详细介绍了如何下载、制作并使用该数据集进行语音识别模型的训练，适合ASR系统建设者参考。
阅读全文PPASR语音识别（进阶级）
这个项目是一个基于Kaldi和MindSpore实现的端到端ASR（Automatic Speech Recognition）系统。该系统的架构包括数据收集、预处理、模型训练、评估及预测等多个阶段。下面我将详细解释每个步骤，并提供一些关键信息，帮助你更好地理解这个流程。 ### 1. 数据集 项目支持多种数据集，例如AISHELL、Free-Spoken Chinese Mandarin Co
阅读全文PPASR中文语音识别（入门级）
感谢你的详细介绍！为了进一步帮助大家理解和使用这个基于CTC的端到端中英文语音识别模型，我将从几个方面进行补充和完善： ### 1. 数据集及其处理 #### AISHELL - **数据量**: 约20小时中文发音。 - **特点**: 包含普通话标准发音和部分方言。 #### Free ST Chinese Mandarin Corpus - **数据量**: 大约65小时中文发音。 -
阅读全文基于PaddlePaddle实现的DeepSpeech2端到端中文语音识模型
这个教程详细地介绍了如何使用PaddlePaddle进行语音识别，并提供了一系列的操作指南，帮助开发者从数据准备到模型训练和上线部署。下面是对每个步骤的一个简要总结： 1. **环境配置**：确保开发环境已经安装了必要的软件和库，包括PaddlePaddle。 2. **数据准备**： - 下载并解压语音识别数据集。 - 处理音频文件，如去噪、降采样等。 - 对文本进行
阅读全文