Logo
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文本转音频生成潜在扩散模型人工智能音频生成Github开源项目

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。

访问官网访问官网GithubGithubHuggingfaceHuggingface文档文档论文论文
介绍相关项目
Matcha-TTS - 具有条件流匹配的快速 TTS 架构
GithubMatcha-TTS开源项目试用非自回归神经TTS音频合成预训练模型
Matcha-TTS采用条件流匹配技术，优化语音合成流程，提高效率同时保证音质自然和内存使用最优化。官方演示页展示了其快速、自然的语音合成能力，详细信息请参阅ICASSP 2024论文。您还可以直接在HuggingFace平台上尝试该技术。
open-tts-tracker - 全面追踪开放源代码语音合成模型的信息平台
AI语音GithubTTS模型多语言开源开源项目语音合成
Open TTS Tracker 是一个综合性的开源语音合成模型跟踪平台。该项目汇集了最新TTS模型的详细信息,包括名称、代码库、权重、许可证、微调能力、支持语言等多个方面。通过提供这些资源,Open TTS Tracker 旨在提升开源TTS模型的可见度,推动语音合成技术的进步。研究人员、开发者和爱好者可以在此找到丰富的模型信息和相关资源。
SALMONN - 通用听觉能力赋能大语言模型 实现音频输入的多模态理解
GithubSALMONN人工智能大语言模型开源项目语音识别音频处理
SALMONN是清华大学和字节跳动共同开发的大语言模型，能处理语音、音频和音乐输入。通过结合Whisper和BEATs编码器，SALMONN实现了多语言语音识别、翻译和音频-语音推理等功能。该模型可理解多种音频输入并执行文本和语音指令，展现了跨模态能力，推动了具听觉能力的人工智能发展。
melgan - PyTorch实现的语音合成技术
GithubMelGANPyTorch人工智能语音合成开源项目音频处理预训练模型
MelGAN是一个在PyTorch上实现的声码器，用于转换NVIDIA tacotron2的输出成原始音频。项目提供了基于LJSpeech-1.1数据集的预训练模型，用户可通过PyTorch Hub访问和试听。适合音频合成领域的研究与开发。
fish-diffusion - 开源框架简化TTS、SVS和SVC模型开发
AI模型Fish DiffusionGithub多说话人开源项目语音合成
Fish Diffusion是一个开源的语音合成训练框架，专注于TTS、SVS和SVC任务。基于扩散模型，它支持多说话人合成和44.1kHz高品质输出。该项目优化了代码结构，提高了训练效率，并提供完整的环境配置和使用指南。Fish Diffusion适合研究人员和开发者探索语音合成技术，同时强调负责任的AI应用。项目特点包括简化的代码结构、多设备训练支持和半精度训练，有助于提高开发效率和降低资源消耗。此外，还提供了详细的数据集准备和模型训练指南，便于用户快速上手。
parler-tts - 轻量级开源TTS模型 支持自定义语音特征
GithubParler-TTS开源模型开源项目文本转语音自然语言处理语音合成
Parler-TTS是一个轻量级开源文本转语音模型，通过文本提示控制语音特征如性别、语速和音调。项目提供完整训练和推理代码及预训练模型，便于用户定制TTS模型。最新版本引入SDPA和Flash Attention 2，显著提升生成速度。该模型支持随机声音生成和特定说话人复制，适用于多种TTS应用场景。
whisper - 多语种语音识别与翻译解决方案
GithubOpenAITransformer模型Whisper多语言处理开源项目热门语音识别
Whisper是一个通用语音识别模型，支持多种语言处理任务，如语音翻译和语言识别。该模型基于大规模多样化音频数据集进行训练，利用Transformer技术实现高效的序列到序列学习。用户可以通过简单的命令或Python代码实现快速准确的语音识别与翻译，是一个适用于多种应用场景的强大工具。支持多个模型大小和语言选项，用户可根据需求选择合适的模型。
BigVGAN - 大规模训练的通用神经网络声码器
BigVGANGithub开源项目深度学习神经声码器语音合成音频处理
BigVGAN是一个通过大规模训练实现的通用神经网络声码器。它可高质量合成多语言语音、环境声音和乐器声音等多种音频。项目提供多个预训练模型，支持44kHz采样率和512倍上采样比率。BigVGAN集成自定义CUDA内核，在单个A100 GPU上推理速度提升1.5-3倍。
bigvgan_v2_24khz_100band_256x - 大规模训练的通用神经声码器
BigVGANGithubGradioHuggingfacePyTorch开源项目模型神经声码器音频合成
该项目通过大规模训练为神经声码器领域带来了新的发展。其自定义的CUDA内核实现了1.5至3倍的推理速度提升，满足高效应用需求。利用多尺度的子频段判别器和梅尔谱损失进行训练，适应多种音频环境，涵盖多语言语音和环境音等。项目还集成至Hugging Face Hub，提供预训练模型和交互式演示，支持最高24 kHz的采样率和多种频段配置，为语音合成领域的研究者和开发者提供便利。
TADA - 基于文本生成高品质可动画3D数字角色
3D头像生成GithubTADA人工智能动画化角色开源项目文本到3D模型
TADA是一个基于AI的系统，通过文本描述生成高质量、可动画化的3D数字角色。生成的角色具有精细的几何结构和纹理，可直接用于动画制作和渲染。该系统支持大规模角色资产创建，并允许通过自然语言编辑角色特征。TADA为游戏开发、电影制作和虚拟现实等领域提供了创新的角色创作解决方案。
相关项目
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。

使用协议隐私政策广告服务
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