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。

TensorVox - 用 C++ 编写的神经语音合成桌面应用程序
Coqui-TTSGithubTensorFlowTTSTensorVoxVITS开源项目神经语音合成
TensorVox是为提高神经语音合成技术普及度而设计的桌面应用。支持多语言,不需庞大Python库,该工具通过TensorFlow C API和LibTorch实现轻量级操作。提供清晰易懂的模型训练和导出指南,是语音技术爱好者的顶级选择。
ChatTTS - 用于日常对话的文生语音模型
ChatTTSGithub多语言支持对话系统开源开源项目文本转语音热门
ChatTTS是为对话场景特别设计的文本到语音模型,支持多种语言和多发言者交互。该模型优化对话基础任务,支持细粒度的韵律特征控制,如笑声、停顿等。通过使用预训练模型,ChatTTS在自然语言合成和表达能力方面均有突破性进展,适用于教育和研究目的。
awesome-large-audio-models - 音频AI模型前沿进展与资源汇总
Github大型音频模型开源项目语音合成语音识别跨模态AI音乐生成
本项目汇总了音频AI领域的精选资源,涵盖语音识别、合成、翻译等多个方向的前沿进展。定期更新最新论文和开源实现,为研究者和开发者提供全面了解音频AI发展的平台。内容包括主流大型音频模型、各应用领域技术及大规模数据集,是音频AI研究的重要参考资料。
FastDiff - 高效生成高保真语音的快速条件扩散模型
FastDiffGithubPyTorch开源项目条件扩散模型语音合成高保真语音合成
FastDiff项目实现了一种高效生成高保真语音的条件扩散模型。该项目在GitHub上提供了开源实现和预训练模型,支持包括LJSpeech、LibriTTS和VCTK在内的多种数据集。适用于语音合成和神经语音编解码等任务,并支持多GPU并行训练。项目还提供了详细的推理和训练指南,以及预处理工具和训练配置示例。FastDiff代码参考了NATSpeech和Tacotron2等项目,广泛适用于研究和实际应用。
flan-t5-base - 基于T5架构的多语言文本生成模型
FLAN-T5GithubHuggingface多语言开源项目指令微调模型自然语言处理迁移学习
FLAN-T5 base是基于T5架构的多语言文本生成模型,在1000多个任务上进行了指令微调。该模型支持翻译、问答、推理等自然语言处理任务,在零样本和少样本学习方面表现优异。FLAN-T5 base不仅覆盖多种语言,还能在有限参数下实现与更大模型相当的性能,为研究人员提供了探索语言模型能力和局限性的有力工具。
vits2_pytorch - 单阶段文本到语音转换的效率与质量提升
GithubVITS2单阶段模型对抗学习开源项目文本转语音架构设计
VITS2_pytorch是一款先进的单阶段文本到语音转换模型,采用对抗学习和架构设计改进前代产品。这一最新的非官方实现版本,旨在通过增强模型结构和训练机制,有效提升语音自然度和特征相似性,同时显著降低对音素转换的依赖,从而提高训练和推断的效率。该项目还为专业人士提供了预训练模型和多种语言的样本音频,支持开箱即用的转换学习。
friendly-stable-audio-tools - 改进后的Stable Audio Tools开源框架支持音频生成模型训练和推理
AI音频生成GithubStable Audio开源项目模型训练深度学习音乐生成
该项目是对Stability AI的stable-audio-tools的重构和增强,提供了音频和音乐生成模型的开源代码。重构后的代码提高了可读性和易用性,并新增了评估和使用自训练模型的脚本。项目详细说明了如何训练Stable Audio 2.0等模型,并提供了Stable Audio Open 1.0的使用文档和便捷脚本。此外,项目支持多GPU/节点生成,并集成了Gradio界面用于测试模型。
bark - 先进的多语言文本转语音和音频生成AI模型
BarkGithubHuggingface人工智能多语言开源项目文本转语音模型音频生成
Bark是Suno开发的基于transformer的文本转音频AI模型,能生成逼真的多语言语音、音乐、背景音和简单音效,还可模拟笑声、叹息等非语言交流。该模型提供预训练检查点供研究使用,输出未经审查。研究人员可通过Transformers或原始Bark库在本地运行,灵活易用。Bark代表了文本转语音技术的重要进展,为相关研究和应用提供了新的可能性。
riffusion-model-v1 - 基于稳定扩散的实时音乐生成模型
GithubHuggingfaceRiffusion人工智能开源项目机器学习模型音乐生成音频处理
Riffusion是一个基于稳定扩散技术的文本到音频模型,能够生成音频频谱图并转换为实时音乐。该模型通过微调Stable Diffusion v1.5实现,可根据文本提示生成和修改频谱图像。Riffusion主要应用于音乐创作、教育工具和生成模型研究。项目提供开源代码、模型文件和Web应用程序,使用户能够直接体验实时音乐生成。该开源项目包含完整的模型文件、推理代码和种子图像库,为研究人员和开发者提供了丰富的资源。
parler-tts-mini-v1 - 通过文本提示控制的轻量级语音合成模型
GithubHuggingfaceParler-TTS人工智能开源项目文本转语音模型自然语言处理语音合成
Parler-TTS Mini v1是一个经过45K小时音频数据训练的轻量级文本转语音模型。该模型能生成高质量、自然的语音,并通过简单的文本提示控制语音特征,包括性别、背景噪音、语速、音高和混响等。它支持随机语音和特定说话人语音生成,是开源Parler-TTS项目的组成部分,为社区提供TTS训练资源和数据集预处理工具。
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