soundstorm-pytorch

基于PyTorch的高效并行音频生成模型

SoundStorm 音频生成 Pytorch 深度学习人工智能 Github 开源项目

SoundStorm是Google DeepMind开发的高效并行音频生成模型，本项目提供其PyTorch实现。该模型将MaskGiT技术应用于Soundstream的残差向量量化编码，采用Conformer架构。项目包含完整的训练和生成代码，支持原始音频处理和文本到语音转换。此实现整合了多个相关模型，旨在促进前沿语音合成技术的应用与研究。

访问官网

Github

Huggingface

介绍相关项目

PortaSpeech - 便携且高质量的PyTorch文本到语音生成工具

GithubPortaSpeechPyTorch实现开源项目文本转语音模型大小音频样本

基于PyTorch的PortaSpeech项目，提供一种高质量且便携的文本到语音转换实现方案。这个项目支持单声道和多声道TTS，包含快速启动指南、多种样本、预训练模型，适合研究和实际开发。它还为数据预处理和模型训练提供详细指南，帮助用户轻松使用并优化其TTS系统。

stable-audio-open-1.0 - 开源文本转音频模型支持44.1kHz立体声和最长47秒音频生成

GithubHuggingfaceStable Audio Open 1.0人工智能开源项目机器学习模型音乐创作音频生成

Stable Audio Open 1.0是Stability AI推出的开源音频生成模型，通过自编码器、T5文本嵌入和DiT扩散模型架构，将文本转换为最长47秒的44.1kHz立体声音频。模型基于48万条音频数据训练，在音效和环境音生成方面表现突出，支持stable-audio-tools和diffusers两种调用方式。现阶段仅支持英文提示词输入，不具备人声生成能力。

GenerSpeech - 文本转语音模型，可实现 OOD 自定义语音的高保真零样本样式传输

GenerSpeechGithub多GPU支持开源项目文本到语音零样本学习风格转换

GenerSpeech: PyTorch实现的NeurIPS 2022文本到语音模型，专注于无监督出域场景下的高保真样式转换。提供多层级样式转换、优化的模型泛化功能，并支持多GPU环境。完整指南及音频样例可在线获取，助您快速实施和部署。

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。

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。

tacotron - 谷歌发展的全自动语音合成模型Tacotron

Brain teamsGithubGoogleSound UnderstandingTacotron开源项目语音合成

由Google的声音理解与大脑团队开发的Tacotron，是一款实现自动语音生成的模型。包含相关论文的音频样本。注意：此模型不是Google的官方产品。

tacotron - 开源文字到语音合成系统，采用TensorFlow实现

GithubTacotronTensorFlow开源开源项目训练模型语音合成

Tacotron是基于TensorFlow的开源语音合成系统，能够直接将文本转换为语音。本项目独立实现了Google的论文'Tacotron: Towards End-to-End Speech Synthesis'，虽然当前性能未及Google的演示，但已具备一定参考价值。支持包括LJ Speech和Blizzard 2012在内的多种语音数据集，并允许通过命令行调整和优化参数。项目还提供了预训练模型的下载与部署指南，便于用户快速开始使用及测试。

iSTFTNet-pytorch - 轻量级Mel频谱声码器

GithubMel-spectrogramVocoderiSTFTNet声音合成开源项目轻量级

iSTFTNet，一款结合逆短时傅里叶变换的Mel频谱声码器，训练速度较传统hifigan快30%，性能超前60%。以C8C8I模型为核心，优化声音质量和处理速度，适配快速高效的语音处理需求。虽主要为技术测试和验证，其音质和处理速度的优势已得到实证。

WaveGrad - 高效实现高保真语音生成的WaveGrad技术

GithubWaveGrad声码器并行训练开源项目混合精度高保真生成

WaveGrad是Google Brain开发的依托去噪扩散概率模型(DDPM)技术的高保真语音合成工具。这一项目特别适用于高迭代推理，并且能在不同硬件上包括单GPU环境进行稳定高效的训练。其主要特点包括高保真声音生成、多迭代支持及分布式训练功能。预训练模型及灵活架构配置加强了其实用性和适应性。

tacotron - 端到端文本转语音合成模型实现

GithubTacotronTensorFlow开源项目文本到语音训练数据集语音合成

基于TensorFlow的Tacotron模型，是一个全面的端对端文本转语音合成系统。该模型涵盖多种数据集，运用现代深度学习与注意力机制优化文本到语音的高质量转换，适用于学术研究与商业应用。

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