预训练模型是其他人为解决类似问题而创建的模型。我们可以以其他问题训练的模型为起点，而不是从零开始构建模型来解决类似的问题。预训练模型在应用程序中可能不 是100% 准确。
2. 框架 2.1 tensorflow模型：wavenet
这是由TensorFlow实现的用于音频生成的wavenet神经网络架构
模型：Lip reading
使用3D架构进行交叉视-听识别（唇语）
模型：MusicGenreClassification
深度学习和声音处理领域的学术研究
模型：Audioset
Audioset的模型和代码
模型：DeepSpeech
自动语音识别
模型：Ultrasound nerve segmentation
展示了如何使用Keras库构建用于超声波图像神经分割的深度神经网络
2.3 pytorch模型：espnetm
端到端语音处理工具包
模型：TTS
text2speech的深度学习
模型：Neural Sequence labeling model
序列标记模型在许多NLP任务中非常流行，例如命名实体识别（NER）、部分语音（POS）标记和单词分割
模型：waveglowm
基于flow_based的语音合成生成网络
模型：deepvoice3_pytorch
基于卷积神经网络的文本到语音的合成模型
模型：deepspeech2
基于DeepSpeech2架构创建网络，该架构使用CTC激活函数训练
模型：loop
将文本转换成声音
模型：audio
简单音频的输入/输出
模型：speech
ASR实现，自动语音识别
模型：samplernn-pytorch
无条件的端到端的音频生成网络
模型：torch_waveglow
基于flow_base的语音合成生成网络
2.4 MXNet模型：deepspeech
基于百度的DeepSpeech2，使用大规模模型构建语音到文本（STT）模型
模型：mxnet-audio
实现音乐流派分类、音频-vec、歌曲推荐人和音乐搜索
2.5 Caffe模型：Speech Recognition
语音识别
参考：https://github.com/balavenkatesh3322/audio-pretrained-model