ai-audio-datasets
AI Audio Datasets 是汇总多种音频数据集的开源项目，涵盖语音识别、音乐分类、环境音检测等多模态音频任务。为音频 AI 研究提供数据基础。
🎯适用场景：音频 AI 训练数据收集、语音识别研究
📥 收录于 2026/6/3
📊 仓库数据
✅ 优点
- •多领域音频数据集汇总
- •开源数据便于研究
- •涵盖多种音频任务
⚠️ 限制
- •数据质量参差不齐
- •需要自行清洗和标准化
🔗 相关工具
HunyuanWorld-1.0
github.com/Tencent-Hunyuan/HunyuanWorld-1.0
腾讯混元 3D 世界模型，从文字或图片生成沉浸式、可探索、可交互的 3D 世界，适用于游戏和元宇宙场景
🎯3D 世界生成、游戏场景构建、元宇宙内容创作
Stable Diffusion WebUI
github.com/AUTOMATIC1111/stable-diffusion-webui
最流行的 Stable Diffusion Web UI，162,491+ stars。提供直观的图形界面，支持文生图、图生图、ControlNet、LoRA 微调、Inpainting 等核心功能，是 AI 图像生成领域的事实标准工具
🎯大模型微调与训练、多模态内容理解与生成
ComfyUI
github.com/comfyanonymous/ComfyUI
节点式 Diffusion 模型 GUI，109,363+ stars。基于节点的工作流编排，可视化连接各处理模块，是最强大的图像生成工作流工具，支持 SDXL、Flux、Stable Cascade 等最新模型
🎯AI 工作流编排与自动化、多模态内容理解与生成
OpenAI Whisper
github.com/openai/whisper
OpenAI 开源语音识别模型，99.9K+ stars。支持 99 种语言自动语音识别与翻译，可本地部署保护隐私，广泛用于会议转录、字幕生成等场景
🎯多语言语音转文字、音频转录、本地私有化语音识别
Deep Live Cam
github.com/hacksider/Deep-Live-Cam
实时人脸替换工具，91,252+ stars。仅需一张照片即可实现实时视频换脸和一键视频 Deepfake，基于 AI 视觉模型实现高精度面部替换。支持摄像头实时预览和离线视频处理，是 AI 换脸领域最受欢迎的开源项目。
🎯多模态内容理解与生成
OpenCV
github.com/opencv/opencv
开源计算机视觉库，87,181+ stars。全球最广泛使用的计算机视觉库，提供 2500+ 优化算法，涵盖图像处理、目标检测、人脸识别、相机标定等领域。支持 C++、Python、Java，是 AI 视觉应用的基石。
🎯多模态内容理解与生成