glow-tts

glow-tts

通过单调对齐搜索进行文本转语音的生成流

Glow-TTS,一款创新的文本到语音转换模型,独立完成文本与语音的单调对齐搜索,无需外部辅助。此模型不仅大幅提升合成速度,还支持多样性与可控性,并可适应多说话人环境。更新项包括采用新技术降低噪声并优化发音,使其在速度和音质上优于传统模型。

Glow-TTS文本转语音并行合成HiFi-GAN模型训练Github开源项目

Glow-TTS 项目介绍

项目背景

Glow-TTS 是一个旨在提升文本转语音(TTS)技术的新项目。当前的 TTS 技术如 FastSpeech 和 ParaNet,能够并行生成 mel 频谱,但在训练时通常需要依赖自回归模型提供的外部对齐。这给模型的训练增加了复杂性和时间成本。为解决这个问题,研究团队提出了不依赖外部对齐的 Glow-TTS 模型。

Glow-TTS 的创新

Glow-TTS 是一种基于流(flow-based)的生成模型,结合了流(flow)和动态规划的特点。该模型通过自身的能力,进行文本与语音潜在表示的单调对齐。通过这种方法,Glow-TTS 实现了以下几个创新:

  1. 无需外部对齐器:模型能够自主搜索文本与语音之间的最可能的单调对齐路径,无需依赖额外的对齐工具。

  2. 快速高效:相较于经典的自回归模型 Tacotron 2,Glow-TTS 在语音合成速度上实现了数量级的提升,而语音质量保持相当。

  3. 支持长语句生成:对单调对齐方式的加强,使得模型在生成长句子时表现稳定优异。

  4. 多样性和可控性:运用生成流(generative flows)使得生成的语音不仅快速,还具有可控性和多样性。

项目成果

Glow-TTS 不仅在合成速度和音质上具有优势,模型还可以扩展到多说话人场景。用户可以在项目的在线演示页面听到模型生成的音频示例。此外,团队还提供了一个预训练模型以供下载和使用。

最新更新

尽管在最初的论文中未提及,最近的更新包含两项改进:

  1. 使用 HiFi-GAN 作为声码器来减少噪音。

  2. 在每两个输入标记之间插入空白标记,提升发音质量。

这些调整通过优化声码器和输入序列,提高了语音质量。更多细节及实例请参考项目的更新说明。

使用环境与前置条件

  • 环境要求:Glow-TTS 需要以下软件环境:

    • Python 3.6.9
    • PyTorch 1.2.0
    • Cython 0.29.12
    • Librosa 0.7.1
    • Numpy 1.16.4
    • Scipy 1.3.0
  • 混合精度训练:使用 apex 提升训练性能。

  • 数据集准备:需要下载并解压 LJ Speech 数据集并进行相应的文件链接和子模块的初始化。

训练与推理示例

示例代码和配置文件已经在项目中提供,可通过简单指令进行训练和推理:

  • 训练命令:sh train_ddi.sh configs/base.json base
  • 推理文件:inference.ipynb

鸣谢

Glow-TTS 的实现借鉴了诸多开源项目的成果,包括 WaveGlowTensor2TensorMellotron

通过这些合作者和项目的启发,Glow-TTS 为文本转语音技术带来了新的可能性,期待更多用户体验和反馈。

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多