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

AudioGPT - 多功能音频生成与理解平台，支持语音、音乐、音效及虚拟人对话

AudioGPTGithub开源项目语音增强语音识别音乐生成音频合成

AudioGPT 是一个多功能音频生成与理解平台，具备语音合成、语音识别、语音分离、风格迁移、声音检测、声音提取、文本到音频转换等功能，还支持音乐生成与虚拟人对话。集成了 FastSpeech、whisper、GeneFace 等多个领先的基础模型，AudioGPT 为开发者提供强大的开源工具和预训练模型，支持多种音频相关任务，不断扩展其功能和应用场景。此平台适合音频处理、自然语言处理及多模态研究的需求。

espnet - 端到端语音处理工具包，涵盖语音识别及转换

ESPnetGithub开源项目文本转语音深度学习语音处理语音识别

ESPnet是一个端到端语音处理模块，封装了多个领域的语音处理任务，如语音识别、文本到语音、语音翻译、语音增强和说话人分割等。该平台基于Pytorch开发，采用符合Kaldi风格的数据处理方法，提供针对各类语音处理实验的完整解决方案。ESPnet支持多语言处理，并能够调整自身以适应不同的语言和环境。

Neural-Voice-Cloning-With-Few-Samples - 少样本语音克隆的先进技术

GithubNVIDIA V100VCTK数据集声音克隆多说话者生成模型开源项目训练

Neural-Voice-Cloning-With-Few-Samples项目致力于开发能够实现少样本语音克隆的先进技术。项目通过建立说话者嵌入空间，有效捕捉说话者的独特语音特性，如音调、口音等，类似于语音指纹。该项目已在84名讲话者上进行训练，使用了NVIDIA V100 GPU完成了大量周期的训练。欲了解更多，可参考Baidu发表的论文《Neural Voice Cloning with Few Samples》。

fnet-base - FNet模型采用傅里叶变换实现高效自然语言处理

FNetGLUE benchmarkGithubHuggingface傅里叶变换开源项目模型模型预训练自然语言处理

FNet是一种创新型自然语言处理模型，通过傅里叶变换替代传统注意力机制，提高了计算效率。该模型在C4数据集上预训练，采用掩码语言建模和下一句预测任务。在GLUE基准测试中，FNet达到BERT模型93%的性能，微调速度快32%。这种架构为大规模文本处理应用提供了高效选择。

mlx-llm - 在Apple Silicon上实时运行的高级语言模型应用与工具

Apple SiliconGithubHuggingFaceLarge Language ModelsQuantizationmlx-llm开源项目

mlx-llm支持用户在Apple Silicon设备上实时运行高级语言模型（LLMs）的应用和工具。该项目支持多种预训练模型，并提供简便的安装方法。用户可以加载新版预训练权重、进行模型量化及嵌入提取。此外，mlx-llm还覆盖了多种应用场景，包括命令行聊天、LoRA或QLoRA微调及检索增强生成（RAG）等。

WhisperSpeech - 多语言支持的开源文本转语音系统，功能强大并易于定制

GithubWhisperSpeech多语言支持开源模型开源项目文本转语音语音克隆

WhisperSpeech是基于开源Whisper框架开发的文本至语音系统，提供了商业级安全的语音合成解决方案。当前支持英语LibreLight数据集，并计划拓展到多语言支持。用户可通过在线Colab平台体验其高效的语音合成和声音克隆功能。

CoMoSpeech - 一步实现高质量语音和歌声合成的一致性模型

CoMoSpeechGithub一步采样一致性模型开源项目快速推理语音合成

CoMoSpeech是一种创新的语音合成方法，通过单步扩散采样实现高质量语音生成。该模型从扩散教师模型中提炼一致性模型，在保持音频质量的同时显著提高推理速度。在文本转语音和歌声合成任务中，CoMoSpeech展现出优异性能，推理速度超过实时150倍，大幅提升了基于扩散采样的语音合成的实用性。

wavlm-large - 微软WavLM：全栈语音处理的自监督预训练模型

GithubHuggingfaceSUPERB基准测试WavLM开源项目模型自监督学习语音处理预训练模型

WavLM-Large是微软开发的自监督语音预训练模型，针对全栈语音处理任务进行优化。模型基于HuBERT框架，引入混合话语训练策略和门控相对位置偏置，提升了语音内容建模和说话人身份识别能力。通过在94,000小时多样化语音数据上训练，WavLM-Large在SUPERB基准测试中展现出卓越性能，为多种语音处理任务带来显著改进。

parler-tts-mini-v1 - 通过文本提示控制的轻量级语音合成模型

GithubHuggingfaceParler-TTS人工智能开源项目文本转语音模型自然语言处理语音合成

Parler-TTS Mini v1是一个经过45K小时音频数据训练的轻量级文本转语音模型。该模型能生成高质量、自然的语音，并通过简单的文本提示控制语音特征，包括性别、背景噪音、语速、音高和混响等。它支持随机语音和特定说话人语音生成，是开源Parler-TTS项目的组成部分，为社区提供TTS训练资源和数据集预处理工具。

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。

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