Project Icon

bigvgan_v2_24khz_100band_256x

大规模训练的通用神经声码器

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。

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。
wav2vec2-large-xlsr-53-chinese-zh-cn - 中文自动语音识别模型提供广泛应用支持
Common VoiceGithubHuggingSoundHuggingfaceXLSR Wav2Vec2开源项目模型语音识别语音转录
该模型基于Common Voice、CSS10和ST-CMDS数据集,对facebook的wav2vec2-large-xlsr-53进行了微调,以实现中文自动语音识别。模型能够处理16kHz采样率的语音输入,可通过HuggingSound库直接进行语音转录或使用定制推理脚本。评估结果显示,模型在Common Voice测试数据集上WER为82.37%,CER为19.03%。感谢OVHcloud提供的GPU支持,该模型适用于医药、教育等领域语音数据处理。
TensorFlowTTS - TensorFlow 2驱动的多模型实时语音合成系统
GithubTensorFlowTTS多语言支持实时处理开源项目模型优化语音合成
探索TensorFlowTTS:快速、灵活的多语言语音合成平台,采用最新技术如Tacotron-2、MelGAN,可部署于移动设备,助力全球开发者创造多语种语音应用。
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。
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。
lora-svc - 开源AI歌声转换系统,结合Whisper和BigVGAN的先进技术
BigVGANGithubLoRASinging Voice ConversionWhisper人工智能开源项目
lora-svc是一个开源的歌声转换系统,集成了OpenAI的Whisper、Nvidia的BigVGAN和Microsoft的Adapter技术。该项目利用多语言语音识别、反混叠语音生成和高效微调等技术,实现高质量的声音转换。lora-svc提供完整的数据处理、模型训练和推理流程,支持自定义训练和灵活推理,适合研究声音转换技术的开发者和研究人员使用。
deepvoice3_pytorch - 基于卷积网络的文本到语音合成技术
DeepVoice3GithubPyTorch多说话者模型开源项目文本转语音预训练模型
DeepVoice3_pytorch是基于PyTorch的文本到语音深度学习平台,支持多语种和多数据集,包括英语、日语和韩语,适合多个说话者或单个说话者。项目提供预训练模型、音频样本、在线演示及详尽的训练指南,旨在简化用户的使用过程,并能灵活定制个性化的语音合成应用。
MelNet - MelNet音频频域生成模型的全面实现
GithubMelNetPythonTTS合成开源项目条件生成音频生成
MelNet项目提供了一个在音频频域中生成模型的实现,支持无条件与条件音频生成。该技术兼容多个数据集,包括Blizzard和VoxCeleb2,支持灵活的训练配置,同时实现多GPU训练与TTS合成,不断更新以支持更多音频处理功能。它为致力于音频生成技术研究的开发者和研究人员提供了有力工具。
alvocat-vocos-22khz - 高效的加泰罗尼亚语音频合成技术
CatalanGithubHuggingfaceVocos声码器声音合成开源项目模型语音合成
基于Vocos架构的加泰罗尼亚语音频合成器,通过80-bin Mel频谱生成高质量音频,与多种TTS模型兼容,专为从mel频谱到音频波形的转换而设计,训练于三种加泰罗尼亚语数据集,可作为hifi-gan的高效替代方案。
voicefixer - 语音恢复解决方案,高效修复各级别的语音退化
GithubVoiceFixer开源项目神经声码器语音修复语音处理预训练模型
Voicefixer,一款基于神经声码器的预训练工具,可处理多种语音退化问题,包括噪音、混响、低分辨率及削波效应。支持44.1kHz的通用神经声码器,适用于各种应用场景,如命令行、桌面客户端及Python脚本。
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