Project Icon

vall-e

零样本文本到语音神经编解码器语言模型

VALL-E是一个基于PyTorch的开源项目,通过神经编解码器语言模型实现零样本文本到语音的转换。该模型可在单GPU上训练,能模拟特定说话者的语音,并采取了措施以防止技术的潜在滥用。然而,开发者没有提供完全训练的模型和服务。VALL-E提供了包括英语和中文在内的多语种语音技术支持,是语音技术研究的有益工具。

One-Shot-Voice-Cloning - 一站式语音克隆与风格转换技术
GithubUnet-TTS一键语音克隆开源项目模型训练语音合成风格迁移
One-Shot-Voice-Cloning利用Unet结构和AdaIN层,实现了高效的说话人和风格转换。此技术支持单次语音克隆,无需额外的声音参数输入,有效解决了面对未见说话人和风格迁移的难题。此外,通过Colab notebook,用户可以便捷地测试和验证模型性能。
DiVA-llama-3-v0-8b - 基于Llama的端到端双模态语音助手系统
DiVA Llama 3GithubHuggingface人工智能模型开源项目模型模型训练语音助手语音识别
DiVA-llama-3-v0-8b是一个基于Llama-3.1-8B-Instruct的端到端语音助手系统,集成了语音和文本双模态输入功能。模型通过蒸馏损失训练方法开发,使用CommonVoice语料库训练,无需额外指令训练数据。该项目提供在线演示界面,并在Weights&Biases平台公开了完整训练日志。
metavoice-src - 1.2B参数开源TTS模型,支持情感语音合成和跨语言声音克隆
GithubMetaVoice-1BTTS开源开源项目情感语音语音克隆
MetaVoice-1B是一个开源的1.2B参数TTS模型,经过10万小时的语音训练,支持英语情感语音合成和零样本的美式和英式语音克隆(仅需30秒参考音频)。该模型还支持跨语言声音克隆和任意长度文本的语音合成。可通过云端或本地部署使用,并提供Hugging Face和Google Colab的演示。
YourTTS - 多语言零样本多发音人文本转语音及语音转换技术
Coqui TTSGithubYourTTS多语言开源项目语音转换零样本多说话者TTS
YourTTS项目开发了先进的多语言零样本多发音人文本转语音及语音转换技术,适用于少量语音样本。该技术支持多种语言,确保高语音相似度和优质输出。基于改良的VITS模型,此技术在多语训练中展现出色表现,获得业界肯定。
ultravox-v0_4 - 结合语音与文本处理的多模态模型
AI模型Fixie.aiGithubHuggingfaceUltravox多模态开源项目模型语音识别
Ultravox是一种多模态语言模型,结合了Llama3.1-8B和Whisper-medium技术,支持语音和文本的输入。通过特殊音频标记,该模型将音频转换为文本嵌入以生成输出。未来版本计划支持直接生成语音。Ultravox可以应用于语音代理、翻译和音频分析。模型使用多语种语音识别数据集进行训练,并在8x H100 GPU上运用BF16精度。最新版本在A100-40GB GPU上实现首次生成标记时间约为150毫秒。
voicesmith - 实现个性化语音合成的强大工具
DelightfulTTSGithubUnivNetVoiceSmith多说话者模型开源项目文本转语音
VoiceSmith是一个允许用户训练和应用单语者及多语者模型的平台。该项目基于改良的DelightfulTTS和UnivNet模型,能在个人数据集上进行微调,带来高度自然的语音输出。VoiceSmith还包括数据预处理工具,如自动文本规范化功能,适合在Windows或Linux系统上使用,推荐配置NVIDIA GPU以优化训练效率。
parler-tts-large-v1 - 开源大规模语音合成模型支持自然语言控制和多人声定制
GithubHuggingfaceParler TTS人工智能开源项目模型自然语言处理语音合成音频生成
Parler-TTS Large v1是一个基于22亿参数、45K小时音频数据训练的文本转语音模型。通过文本提示可控制语音的性别、噪音、语速等特征,内置34个预设发音人。项目开源了完整训练资源和数据处理代码,采用Apache 2.0许可证发布。
xVA-Synth - 游戏MOD角色配音AI语音合成工具
GithubxVASynth人工智能开源项目模组开发游戏配音语音合成
xVA Synth是一个开源的机器学习语音合成应用,专为游戏MOD创作者设计。该工具支持多种游戏角色声音模型,通过简单的文本输入即可生成高质量的角色配音。xVA Synth在Steam平台提供,支持GPU加速以提高效率,为游戏MOD开发带来便捷的语音合成解决方案。
e5-v - 多模态嵌入优化框架与单模态训练策略
E5-VGithubHuggingfacetransformers单模态训练图像文本处理多模态嵌入开源项目模型
E5-V框架通过调整多模态大型语言模型,有效实现多模态嵌入,提高不同输入之间的连接能力,即便不进行微调。其提出的单模态训练方法,仅训练文本对,表现超过多模态训练。
naturalspeech2-pytorch - NaturalSpeech 2在PyTorch中的开源实现
GithubPytorch开源项目深度学习自然语音语音合成零样本学习
NaturalSpeech 2是一个基于PyTorch的开源项目,实现了零样本语音和歌唱合成。该项目采用神经音频编解码器和潜在扩散模型,结合非自回归生成和去噪扩散技术,实现高质量的文本到语音转换。项目还优化了注意力机制和Transformer组件,为研究人员和开发者提供了探索先进TTS技术的平台。
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