Project Icon

MelNet

MelNet音频频域生成模型的全面实现

MelNet项目提供了一个在音频频域中生成模型的实现,支持无条件与条件音频生成。该技术兼容多个数据集,包括Blizzard和VoxCeleb2,支持灵活的训练配置,同时实现多GPU训练与TTS合成,不断更新以支持更多音频处理功能。它为致力于音频生成技术研究的开发者和研究人员提供了有力工具。

SoundStorm - 并行音频生成技术探索的非官方PyTorch实现
GithubSoundStorm并行处理开源项目深度学习语音合成音频生成
SoundStorm是一个基于谷歌研究的并行音频生成项目的非官方PyTorch实现。该项目采用掩码离散扩散方法,使用HuBERT提取语义并预测声学特征。与原版不同,本实现创新性地使用浅层U-Net组合码本。项目提供完整的数据准备、训练和推理指南,为研究人员提供了探索并行音频生成技术的实用框架。
soundstorm-pytorch - 基于PyTorch的高效并行音频生成模型
GithubPytorchSoundStorm人工智能开源项目深度学习音频生成
SoundStorm是Google DeepMind开发的高效并行音频生成模型,本项目提供其PyTorch实现。该模型将MaskGiT技术应用于Soundstream的残差向量量化编码,采用Conformer架构。项目包含完整的训练和生成代码,支持原始音频处理和文本到语音转换。此实现整合了多个相关模型,旨在促进前沿语音合成技术的应用与研究。
musicgen-large - 基于文本和音频提示的大规模AI音乐生成模型
GithubHuggingfaceMusicGenTransformer模型人工智能开源项目文本生成音乐模型音频合成
MusicGen-large是Meta AI开发的3.3B参数规模文本到音乐生成模型。该模型采用单阶段自回归Transformer架构和32kHz EnCodec分词器,能根据文本描述或音频提示生成高质量音乐。MusicGen支持文本和旋律引导音乐创作,为AI音乐研究开辟新途径。研究人员可通过Transformers或Audiocraft库使用MusicGen进行音乐生成实验。
ICCV2023-MCNET - 基于隐式身份表示的说话头视频生成方法
GithubMCNettalking head开源项目深度学习视频生成计算机视觉
MCNet是一种新型说话头视频生成方法,在ICCV 2023上发表。该方法利用隐式身份表示和记忆补偿网络,生成高质量、自然的说话头视频。MCNet能够保持身份一致性,同时生成逼真、富有表现力的面部动画。项目开源了代码实现和预训练模型,为研究者提供了探索和应用的基础。
DiffGAN-TTS - 采用去噪扩散生成对抗网络技术的文本到语音转换技术
DiffGAN-TTSGithubPyTorch多说话者TTS开源项目文本到语音训练模型
DiffGAN-TTS采用去噪扩散生成对抗网络技术,通过激活浅层扩散机制,提供了一种高效且高保真的文本到语音转换方案。该技术支持多种发音特征和语种,实现了保持语音自然度的同时,进行灵活的语音控制,包括音调和语速的调整。此技术适用于多语言和多说话人场景,为深度学习语音合成领域提供了新的可能性。
bigvgan_v2_44khz_128band_512x - 神经网络声码器支持多采样率和高倍上采样比音频生成
BigVGANGithubHuggingface开源项目模型深度学习神经声码器语音合成语音生成
BigVGAN-v2是一款神经网络声码器,支持44kHz采样率和512倍上采样比。它使用自定义CUDA内核加速推理,采用多尺度子带CQT判别器和梅尔频谱图损失训练。该模型在多语言语音、环境声音和乐器的大规模数据集上训练,提供多种音频配置的预训练检查点。BigVGAN-v2与Hugging Face Hub集成,提供便捷的使用方式和交互式演示。
metricgan-plus-voicebank - 基于MetricGAN+的开源语音增强模型实现PESQ 3.15分及STOI 93.0分
GithubHuggingfaceMetricGANPyTorchSpeechBrainVoicebank开源项目模型语音增强
MetricGAN+是一个基于SpeechBrain框架开发的语音增强模型,在Voicebank-DEMAND数据集测试中达到PESQ 3.15分和STOI 93.0分。模型支持16kHz采样率音频处理,提供Python接口实现音频降噪和质量优化。项目开源,可用于语音处理和音频增强等应用场景。
bigvgan_base_22khz_80band - 支持多采样率的通用神经声码器音频合成系统
BigVGANGithubHuggingfacePyTorch开源项目模型神经声码器语音合成音频生成
BigVGAN是一个基于PyTorch的神经声码器项目,通过大规模数据训练实现音频合成。该模型支持44kHz采样率和512倍上采样,集成CUDA推理加速,可处理语音、环境声音和乐器等音频。项目提供多种预训练模型,覆盖不同采样率和mel频带参数配置,适用于多样化的音频生成需求。
tacotron - 端到端文本转语音合成模型实现
GithubTacotronTensorFlow开源项目文本到语音训练数据集语音合成
基于TensorFlow的Tacotron模型,是一个全面的端对端文本转语音合成系统。该模型涵盖多种数据集,运用现代深度学习与注意力机制优化文本到语音的高质量转换,适用于学术研究与商业应用。
AudioLCM - 基于潜在一致性模型的文本到音频生成系统
AudioLCMGithub开源实现开源项目文本生成音频潜在一致性模型高质量音频生成
AudioLCM是一个开源的文本到音频生成系统,基于潜在一致性模型。该项目提供完整实现代码和预训练模型,支持高效生成高质量音频内容。AudioLCM在ACM-MM'24会议被接受,并在GitHub和HuggingFace平台发布。研究人员可使用预训练模型进行推理,或按指南准备数据集训练自定义模型。项目还包含数据集处理、变分自编码器训练等功能。
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手,通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能,支持100+编程语言,与主流编辑器无缝集成,显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台,能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐,Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案,通过智能技术简化视频制作流程。无论是企业宣传还是个人分享,有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持,能够阅读和理解用户上传的文件内容,解析网页信息,并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题,Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术,为商家提供一键生成商品图和营销文案的服务,显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台,让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型,免费访问各种图像生成与AI训练工具,从Stable Diffusion等基础模型开始,轻松实现创新图像生成。体验前沿的AI技术,推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器,它将改变您观看视频的方式!SubCat结合了先进的人工智能技术,为您提供即时视频字幕翻译,无论是本地视频还是网络流媒体,让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台,利用前沿AI技术,为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图,再到文案生成,美间让创意设计更简单、更高效。

Project Cover

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号