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。

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。
TTS-Cube - 基于神经网络的端到端语音合成系统
GithubTTS-Cube开源项目神经网络端到端系统语音合成音频生成
TTS-Cube是一个基于神经网络的端到端语音合成系统,提供训练和部署TTS模型的完整流程。系统无需预对齐数据,仅通过字符或音素序列即可训练生成音频。它包含一个编码器模块,将输入序列转换为梅尔对数谱图,以及一个基于RNN的声码器模块。TTS-Cube采用轻量级架构和引导注意力技术,实现快速收敛。项目提供交互式演示、安装指南和训练实例。
GST-Tacotron - PyTorch实现的自动语音合成与风格控制模型
GST-TacotronGithubPyTorch中文支持多说话人数据集开源项目语音合成
GST-Tacotron是一个基于PyTorch的端到端语音合成系统实现,实现无监督风格建模、控制与转移技术。该项目已增加对Blizzard数据集的支持,同时提供了预训练模型,专门针对中文数据集进行训练。支持简单的命令行操作以训练模型和生成.wav格式的语音文件,方便研究人员和开发者在多说话人数据集上进行语音合成实验。
RAVE - 高效的实时神经音频合成工具
GithubRAVE变分自编码器实时音频处理开源项目神经音频合成高质量音频
RAVE是一个高效的变分自动编码器,专为快速高质量的神经音频合成设计。支持Windows、Mac和Linux平台的RAVE VST版本,可应用于音乐表演和装置。提供详细教程和多种训练配置,包括数据增广选项。用户可以在Max/MSP或PureData中实时使用RAVE进行风格迁移和高层次操控。多个预训练模型可供下载,支持批量音频文件转换和实时嵌入式平台应用。
whisper-large-v3 - 突破性多语言语音识别与翻译模型
GithubHuggingfaceOpenAIWhisper多语言开源项目模型语音翻译语音识别
Whisper large-v3是OpenAI开发的新一代语音识别和翻译模型,支持100多种语言。相比前代模型,它采用128个梅尔频率通道并新增粤语语言标记,将各语言错误率降低10-20%。模型可用于语音转录和翻译任务,易于集成应用。Whisper large-v3展现出卓越的泛化能力,为语音识别技术带来重大进展。
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。
FastSpeech2 - 快速且高质量的端到端文本转语音
FastSpeech 2GithubMelGANNVIDIAPyTorch开源项目文本转语音
FastSpeech 2,面向精准快速的文本到语音转换,基于PyTorch与Espnet技术,配备Nvidia与MelGAN工具,极致优化语音生成效果,适合各类开发者利用和研究。
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。
wav2vec2-large-xlsr-53 - 突破性多语言语音识别模型 适用低资源语言场景
GithubHuggingfaceWav2Vec2-XLSR-53多语言模型开源项目模型深度学习语音识别预训练模型
Wav2Vec2-XLSR-53是一款基于wav2vec 2.0架构的多语言语音识别模型。该模型通过在53种语言的原始音频上预训练,学习跨语言语音表示。在CommonVoice和BABEL等基准测试中,Wav2Vec2-XLSR-53显著优于单语言模型,特别适合低资源语言的语音识别任务。这一开源项目为研究人员提供了强大工具,有助于推动低资源语言语音理解的进展。
SoundStorm - 并行音频生成技术探索的非官方PyTorch实现
GithubSoundStorm并行处理开源项目深度学习语音合成音频生成
SoundStorm是一个基于谷歌研究的并行音频生成项目的非官方PyTorch实现。该项目采用掩码离散扩散方法,使用HuBERT提取语义并预测声学特征。与原版不同,本实现创新性地使用浅层U-Net组合码本。项目提供完整的数据准备、训练和推理指南,为研究人员提供了探索并行音频生成技术的实用框架。
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

稿定AI

稿定设计 是一个多功能的在线设计和创意平台,提供广泛的设计工具和资源,以满足不同用户的需求。从专业的图形设计师到普通用户,无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑,稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合,帮助用户轻松实现创意设计。

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