Project Icon

tango

利用扩散模型和大语言模型实现先进的文本到音频生成

Tango是一个创新的文本到音频生成模型,结合了潜在扩散模型和大语言模型技术。该模型使用冻结的Flan-T5作为文本编码器,训练UNet扩散模型生成音频。尽管训练数据集较小,Tango的性能仍可媲美最先进模型。Tango 2版本通过在Audio-alpaca数据集上的DPO对齐训练进一步提升了生成质量。项目开源了模型代码和预训练权重,为音频生成研究提供了有价值的资源。

Lumina-T2X - Lumina-T2X项目:多模态文本转换的流式扩散模型
GithubLumina-T2X多模态生成大型扩散变换器开源项目文本转换高分辨率图像生成
Lumina-T2X利用基于流的扩散变换器,实现文本向多种模态、分辨率和持续时间的转换,包括图像、音频和视频。其功能还包括高分辨率生成、多轮对话、深度图和分割图估计等。项目提供多语言提示和表情符号支持,适用于多种智能生成需求。访问项目页面了解更多详情和使用案例。
tts-generation-webui - 高效的文本到语音和语音克隆工具
GithubTTS Generation WebUI开源项目语音克隆软件更新音频生成音频转换
tts-generation-webui 是一款由AI驱动的开源文本到语音及语音克隆工具,支持包括 Bark、MusicGen、AudioGen 在内的多种模型。通过简洁的Web界面,用户可以方便地下载、升级及配置,同时享受持续的技术更新和社区支持。
XTTS-v2 - 多语言语音克隆与生成的开源解决方案
CoquiGithubHuggingfaceⓍTTS声音克隆多语言支持开源项目模型语音生成
XTTS-v2是一个开源的语音生成模型,通过6秒音频实现跨语言声音克隆。支持17种语言,包括新增的匈牙利语和韩语。模型优化了说话人条件设置,提升了音质和韵律表现。适用于文本到语音转换、语音克隆等场景,采用Coqui公共模型许可证。
WavJourney - AI多模态音频内容生成系统
AI音频生成GithubWavJourney多媒体叙事大语言模型开源项目音频创作
WavJourney是一个开源的音频内容生成系统,利用大型语言模型技术,将文本输入转化为包含故事情节、个性化语音、音乐和音效的完整音频作品。该项目整合了GPT-4、文本转语音和音频生成等技术,提供了全面的音频创作功能。WavJourney适用于研究和商业领域,并提供详细的使用文档和示例。
MSMC-TTS - 多阶段多码本神经网络文本转语音系统
GithubMSMC-TTSVQ-VAE多阶段多码本开源项目神经网络TTS语音合成
MSMC-TTS是一个高性能神经网络文本转语音系统,基于多阶段多码本VQ-VAE技术。该系统集成了MSMC-VQ-VAE和HifiGAN,通过MSMC-VQ-GAN自编码器优化,并采用多阶段预测器作为声学模型。MSMC-TTS在标准和低资源语言的语音合成中表现优异,能够生成紧凑的语音表示和高质量的语音输出。项目提供了详细的训练、测试和推理指南,并包含针对MSMC-VQ-GAN和多阶段预测器的优化建议。
StreamingT2V - 先进的长视频生成技术 实现连贯动态和可扩展内容
GithubStreamingT2V一致性动态视频开源项目文本到视频长视频生成
StreamingT2V是一种创新的自回归技术,专门用于生成长时间、连贯一致的视频内容。该技术无需分段处理即可创建动态丰富的视频,确保了时间上的连贯性,同时保持与文本描述的高度契合和单帧图像的优质表现。目前已实现生成1200帧(约2分钟)的视频,并具有进一步延长的潜力。值得注意的是,StreamingT2V的性能不局限于特定的文本到视频模型,这意味着随着基础模型的进步,视频质量有望进一步提升。
tggenerator - 利用Whisper将音频转化为文本,使用GPT-3.5进行文本分析,并通过DALL·E生成个性化电竞标志
AIAndroidGithubJetpack ComposeOpenAITenerife GG开源项目
该应用利用Whisper将音频转化为文本,使用GPT-3.5进行文本分析,并通过DALL·E生成个性化电竞标志。应用基于Jetpack Compose和OpenAI Kotlin在Tenerife GG活动中展示了AI的实际应用。
ChatTTS - 优化对话场景的文本转语音技术,提供自然流畅的语音输出
AI工具ChatTTS人工智能对话系统自然语言处理语音合成
ChatTTS是一种针对对话场景优化的文本转语音模型,适用于聊天机器人和虚拟助手等应用。该模型支持英语和中文,通过大规模数据训练,生成自然、富有表现力的语音输出。ChatTTS具备多说话人支持、精细控制和优秀韵律等特点,能够实现逼真的交互式对话。开源版本提供40,000小时预训练模型,适合研究和开发。此模型在对话场景中表现突出,有助于提升语音交互的自然度和生动性。
bark - 多功能文本到音频AI转换模型
AI模型BarkGithub多语言开源项目文本转语音音频生成
Bark是Suno开发的开源文本到音频生成模型,能生成逼真的多语言语音、音乐、背景噪音和简单音效。支持笑声、叹息等非语言交流,适用于研究目的。采用transformer架构,直接将文本转换为音频。提供100多种语音预设,可生成随机语音,但不支持自定义语音克隆。该模型为全生成式设计,可能偏离给定脚本,适合各种音频生成任务。
Comprehensive-Transformer-TTS - 基于非自回归 Transformer 的 TTS
GithubPyTorchTTS开源项目持续时间建模语音合成非自回归变换器
该项目采用非自回归Transformer技术,集成多种最新状态转换模型。Comprehensive-Transformer-TTS不仅提供监督与非监督持续时间建模, 也支持多种数据集和SOTA技术,如Fastformer和Long-Short Transformer,力求在文本到语音转换领域取得领先成果。
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

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。

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