Project Icon

HierSpeechpp

分层变分推理实现高质量零样本语音合成

HierSpeech++项目提出了一种基于分层变分推理的零样本语音合成技术。该技术通过文本到向量框架生成语音表示,显著提高了合成语音的自然度和表现力。项目还引入了语音超分辨率框架,可将音频从16 kHz提升至48 kHz。实验表明,HierSpeech++在零样本语音合成任务中优于现有的基于大语言模型和扩散模型的方法,首次实现了人类水平质量的零样本语音合成。

DiffSinger - 优化歌声合成的浅扩散机制技术
AI技术DiffSingerDiffSpeechGithub声音美化开源项目语音合成
DiffSinger是一个基于浅扩散机制的高质量歌声合成技术,专注于精准的语调与旋律控制。项目支持多种数据集和加速技术,已获AAAI-2022认可,并提供开源代码及应用实例。
Comprehensive-Transformer-TTS - 基于非自回归 Transformer 的 TTS
GithubPyTorchTTS开源项目持续时间建模语音合成非自回归变换器
该项目采用非自回归Transformer技术,集成多种最新状态转换模型。Comprehensive-Transformer-TTS不仅提供监督与非监督持续时间建模, 也支持多种数据集和SOTA技术,如Fastformer和Long-Short Transformer,力求在文本到语音转换领域取得领先成果。
chinese_speech_pretrain - 中文语音预训练模型,wav2vec 2.0和HuBERT的开源实现
GithubHuBERTWenetSpeechwav2vec 2.0中文语音识别开源项目语音预训练模型
chinese_speech_pretrain项目开源了基于WenetSpeech数据集训练的中文语音预训练模型。项目包含wav2vec 2.0和HuBERT的BASE与LARGE版本,均使用1万小时多样化中文语音数据训练。模型在自动语音识别任务中表现优异,尤其适合低资源场景。项目提供模型下载及使用指南,可用于语音识别、语音合成等研究领域。
hubert-large-ll60k - Facebook推出革新性语音表示学习模型
GithubHubertHuggingface开源项目模型自监督学习语音表示学习语音识别预训练模型
HuBERT是Facebook开发的自监督语音表示学习模型,专为语音识别、生成和压缩而设计。该模型采用离线聚类和BERT式预测损失,有效解决了语音学习中的多单元输入、无预训练词典和可变长度分段等问题。在LibriSpeech和Libri-light基准测试中,HuBERT展现出优异性能,特别是在challenging的dev-other和test-other子集上,相对词错误率(WER)分别降低了19%和13%。HuBERT的核心优势在于其依赖无监督聚类步骤的一致性,而非聚类标签的质量,为语音AI领域带来了新的研究方向。
ichigo - 本地实时语音AI
GithubHomebrewIchigo多模态模型实时语音AI开源项目语音理解
Ichigo是一个开放的研究项目,旨在为文本语言模型增加本地化的语音交互能力。使用早期融合技术与公开数据和权重,它可以在设备端运行,类似本地化的Siri。项目的近期进展包括提升模型在复杂交互中的语音指令跟随能力,并训练模型在背景噪音中拒绝非语音输入。项目还提供开放的合作机会,计划未来通过众包进行语音数据集扩展。更多技术细节及成果已在最新发布的研究论文中详述。
LPCNet - 低复杂度神经语音合成与压缩算法
GithubLPCNet低复杂度算法开源项目神经网络线性预测语音合成
LPCNet是一种基于WaveRNN的低复杂度语音合成算法实现。通过结合线性预测技术,该项目在普通CPU上实现高质量语音合成,并支持1.6 kb/s的超低比特率压缩。LPCNet提供开源代码用于语音合成和编码研究,包括模型训练、优化以及实时包损失隐藏等功能,为语音技术研究和应用奠定基础。
CosyVoice - 提升智能语音体验的创新技术和多语言支持
CosyVoiceGithub在线演示多语言支持开源项目语音模型跨语言推理
CosyVoice是一个先进的多语言语音生成技术,致力于提升语音交互的流畅性和实时反馈。该项目支持广泛的语言,提供灵活的下载和安装选项,包括跨语言和指令式语音合成,满足不同用户需求。通过预训练模型和定制选项,用户可以实现从简短语句到完整语音输出的自然转换,优化整体交互体验。
GPT-SoVITS - 少样本声音克隆模型
GPT-SoVITS-WebUIGithubWebUI工具开源项目文本转语音模型训练热门跨语言支持
GPT-SoVITS-WebUI是一款功能强大的在线语音转换和文本转语音工具,支持跨语言转换与实时语音合成。项目集成了自动训练集分段、中文语音识别和文本标记等工具,能够帮助初学者轻松创建训练数据集和GPT/SoVITS模型。GPT-SoVITS支持零样本和少样本文本转语音,是音频处理领域的创新应用。
s2t-small-librispeech-asr - 小型LibriSpeech语音识别模型的高效自动化
GithubHuggingfaceLibriSpeechSpeech2Texts2t-small-librispeech-asr开源项目模型自动语音识别语音转换文本
s2t-small-librispeech-asr是一种小型端到端语音识别模型,使用LibriSpeech ASR语料库进行训练。该模型采用自回归的方式生成转录文本,并结合Pytorch及其工具如torchaudio和sentencepiece以提高准确性。在LibriSpeech“clean”和“other”测试集上的WER分别为4.3和9.0,可满足高性能语音识别应用的需求。
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。
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