LPCNet

低复杂度神经语音合成与压缩算法

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。

Github

论文

介绍相关项目

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。

PPASR - 基于PaddlePaddle的开源流式与非流式语音识别框架

GithubPPASRPaddlePaddle开源项目流式识别深度学习语音识别

PPASR是一个开源的中文语音识别框架，基于PaddlePaddle深度学习平台开发。该框架支持流式和非流式识别，集成了conformer、deepspeech2等多种先进模型，并提供集束搜索和贪心解码功能。PPASR可部署于服务器和Nvidia Jetson设备，提供预训练模型和详细文档，旨在实现简单实用的语音识别应用。

PL-BERT - 通过PL-BERT实现更自然的语音合成

GithubPL-BERT图标预测开源项目文本转语音自然语言模型语音合成

PL-BERT，一种创新的音素级预训练语言模型，通过预测掩码音素对应的字形，有效提升了多语种文本到语音转换的自然度和准确性。经科学评估，其合成语音质量在面对非模型文本时，较传统方法有明显提高，推动了语音合成技术的进步。

wavlm-base - 适用于多语音任务的自监督预训练模型

GithubHuggingfaceLibriSpeechWavLM开源项目模型自监督学习语音识别音频分类

WavLM是基于自监督学习的语音预训练模型，旨在支持多种语音任务。模型在960小时Librispeech数据集上进行预训练，适用于语音识别和分类等任务，需在下游任务中微调。WavLM通过门控相对位置偏置和发音混合训练策略，强调说话者身份保留和内容建模，在SUPERB基准测试中表现优异。模型主要在英语环境中有良好表现，但目标是提供全语言栈的统一表示。

bigvgan_base_22khz_80band - 支持多采样率的通用神经声码器音频合成系统

BigVGANGithubHuggingfacePyTorch开源项目模型神经声码器语音合成音频生成

BigVGAN是一个基于PyTorch的神经声码器项目，通过大规模数据训练实现音频合成。该模型支持44kHz采样率和512倍上采样，集成CUDA推理加速，可处理语音、环境声音和乐器等音频。项目提供多种预训练模型，覆盖不同采样率和mel频带参数配置，适用于多样化的音频生成需求。

UniCATS-CTX-vec2wav - 声学上下文感知的创新声码器

CTX-vec2wavGithubUniCATS上下文感知声码器开源项目语音合成

UniCATS-CTX-vec2wav是UniCATS框架中的声学上下文感知声码器。该项目利用上下文VQ-Diffusion和声码化技术进行语音合成，提供完整的训练和推理流程。支持多GPU训练，并提供16kHz和24kHz采样率的预训练模型参数。此开源项目为研究人员和开发者提供了探索先进语音合成技术的平台。

SLAM-LLM - 专注语音语言音频音乐处理的多模态大模型训练工具

GithubSLAM-LLM多模态大语言模型开源项目语音处理音乐处理音频处理

SLAM-LLM是一款开源深度学习工具包，为多模态大语言模型(MLLM)训练而设计。它专注于语音、语言、音频和音乐处理，提供详细训练方案和高性能推理检查点。支持自动语音识别、文本转语音等多种任务，具备易扩展性、混合精度训练和多GPU训练等特点，适合研究人员和开发者使用。

FastDiff - 高效生成高保真语音的快速条件扩散模型

FastDiffGithubPyTorch开源项目条件扩散模型语音合成高保真语音合成

FastDiff项目实现了一种高效生成高保真语音的条件扩散模型。该项目在GitHub上提供了开源实现和预训练模型，支持包括LJSpeech、LibriTTS和VCTK在内的多种数据集。适用于语音合成和神经语音编解码等任务，并支持多GPU并行训练。项目还提供了详细的推理和训练指南，以及预处理工具和训练配置示例。FastDiff代码参考了NATSpeech和Tacotron2等项目，广泛适用于研究和实际应用。

e2-tts-pytorch - E2-TTS 简化的非自回归零样本文本转语音模型

E2 TTSGithubPytorch开源项目深度学习语音合成非自回归模型

E2-TTS-pytorch是一个开源项目，实现了基于PyTorch的E2-TTS（Embarrassingly Easy Fully Non-Autoregressive Zero-Shot TTS）模型。该项目提供了持续时间预测器和E2TTS模型的简洁实现，支持自定义模型参数如维度和深度。项目包含代码示例和采样功能，基于最新研究成果，为研究人员和开发者提供了一个灵活的TTS实验平台。

相关项目

推荐项目

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。

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。

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。

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。

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。

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。

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。

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。

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