SoundStorm

并行音频生成技术探索的非官方PyTorch实现

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。

访问官网

Github

论文

介绍相关项目

soundstorm-pytorch - 基于PyTorch的高效并行音频生成模型

GithubPytorchSoundStorm人工智能开源项目深度学习音频生成

SoundStorm是Google DeepMind开发的高效并行音频生成模型，本项目提供其PyTorch实现。该模型将MaskGiT技术应用于Soundstream的残差向量量化编码，采用Conformer架构。项目包含完整的训练和生成代码，支持原始音频处理和文本到语音转换。此实现整合了多个相关模型，旨在促进前沿语音合成技术的应用与研究。

spear-tts-pytorch - Pytorch实现的多说话人文本转语音模型

GithubPyTorchSpear-TTS多说话人开源项目文本转语音注意力网络

Spear-TTS是一个基于Pytorch的多说话人文本转语音模型。该项目实现了高效的文本到语义转换，可用于SoundStorm项目的条件控制。Spear-TTS支持最小监督下的高保真语音合成，集成闪速注意力和推测性解码等技术，为TTS研究和开发提供了有力工具。

ParallelWaveGAN - 通过Pytorch实现多种高效声码器模型

GithubHiFi-GANMelGANParallelWaveGAN多扬声器模型实时语音合成开源项目

ParallelWaveGAN项目以非官方形式用Pytorch实现了多种声码器模型，如Parallel WaveGAN、MelGAN等，支持实时语音合成并兼容ESPnet-TTS、NVIDIA's Tacotron2等系统。可帮助用户搭建适应多种语言的声音合成器。

WaveRNN - 高效神经音频合成技术

GithubPytorchTTSTacotronWaveRNN开源项目语音合成

WaveRNN通过Pytorch实现了Deepmind的高效神经音频合成技术，并包含Tacotron训练支持，提供两种预训练模型。项目向研究者和开发者开放，并附有详细使用指南与多样化的自定义功能，以便进行高质量的文本到语音转换。

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。

audiolm-pytorch - 基于Pytorch的音频生成模型AudioLM

AudioLMEnCodecGithubPytorchSoundStream开源项目音频生成

AudioLM是一个基于Pytorch的音频生成模型，具有T5引导的文本到音频转换功能。该项目还兼容SoundStream和Facebook的EnCodec，并提供了多个音频编码和解码模块。用户可以通过完整的训练和使用流程，包括SoundStream、分层Transformer和基于文本条件的音频合成，来进行音频生成技术的研究和开发。

nnAudio - 基于PyTorch的快速GPU音频处理工具箱

GPUGithubPyTorchnnAudio开源项目音频处理频谱图

nnAudio是一款基于PyTorch的音频处理工具箱，利用卷积神经网络实现实时频谱图生成和傅里叶核心训练。它具备跨平台兼容性、可训练性和可微分性，支持STFT、梅尔频谱、MFCC、CQT等多种音频处理功能。相比传统工具，nnAudio在GPU上提供更高效的音频分析和处理方案。

friendly-stable-audio-tools - 改进后的Stable Audio Tools开源框架支持音频生成模型训练和推理

AI音频生成GithubStable Audio开源项目模型训练深度学习音乐生成

该项目是对Stability AI的stable-audio-tools的重构和增强，提供了音频和音乐生成模型的开源代码。重构后的代码提高了可读性和易用性，并新增了评估和使用自训练模型的脚本。项目详细说明了如何训练Stable Audio 2.0等模型，并提供了Stable Audio Open 1.0的使用文档和便捷脚本。此外，项目支持多GPU/节点生成，并集成了Gradio界面用于测试模型。

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。

stable-audio-open-1.0 - 开源文本转音频模型支持44.1kHz立体声和最长47秒音频生成

GithubHuggingfaceStable Audio Open 1.0人工智能开源项目机器学习模型音乐创作音频生成

Stable Audio Open 1.0是Stability AI推出的开源音频生成模型，通过自编码器、T5文本嵌入和DiT扩散模型架构，将文本转换为最长47秒的44.1kHz立体声音频。模型基于48万条音频数据训练，在音效和环境音生成方面表现突出，支持stable-audio-tools和diffusers两种调用方式。现阶段仅支持英文提示词输入，不具备人声生成能力。

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