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

iSTFTNet-pytorch - 轻量级Mel频谱声码器

GithubMel-spectrogramVocoderiSTFTNet声音合成开源项目轻量级

iSTFTNet，一款结合逆短时傅里叶变换的Mel频谱声码器，训练速度较传统hifigan快30%，性能超前60%。以C8C8I模型为核心，优化声音质量和处理速度，适配快速高效的语音处理需求。虽主要为技术测试和验证，其音质和处理速度的优势已得到实证。

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。

Transformer-TTS - 神经语音合成系统

GithubPyTorchTacotronTransformer-TTS开源项目神经网络语音合成

Transformer-TTS，一个基于Pytorch的高效神经语音合成系统。它使用Transformer网络，且训练速度是传统seq2seq模型的3到4倍。不仅提供预训练模型，其合成语音质量经实验证明优异。同时，项目支持自定义学习模型及策略，包括Noam式预热衰减学习率及关键的梯度裁剪等，是语音合成研究的理想选择。

univnet - 具有多分辨率频谱图鉴别器的神经声码器

GANGithubUnivNet开源项目神经合成器音频样本高保真波形生成

UnivNet是一种利用多分辨率频谱鉴别器的神经声码器，旨在提供高保真波形生成。本项目包括一个非官方PyTorch实现，并可与原始研究的客观评分相匹敌。它在主观评测中胜过HiFi-GAN，推理速度也比HiFi-GAN快1.5倍。项目还提供预置的训练参数和预训练模型，支持高度自定义和不同的音频数据源。

bigvgan_v2_24khz_100band_256x - 大规模训练的通用神经声码器

BigVGANGithubGradioHuggingfacePyTorch开源项目模型神经声码器音频合成

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。

speech-resynthesis - 基于离散解耦自监督表示的语音重合成技术

Github开源项目自监督学习表示学习语音合成语音编码语音重合成

该项目开发了一种新型语音重合成方法，采用自监督学习的离散表示技术，分别提取语音内容、韵律信息和说话人特征。这种方法实现了可控的语音合成，在重建质量和特征解耦方面表现优异。此外，该技术还可应用于超轻量级语音编解码，以365比特/秒的低比特率提供高质量语音输出。项目提供完整的训练和推理流程，兼容多种数据集和自监督学习方法。

Stable Audio Open - 开源文本转音频模型生成高质量短音频样本和音效

AI工具Stable Audio Open开源模型文本到音频音效制作音频生成

Stable Audio Open是一个开源的文本转音频生成模型，专注于创建短音频样本、音效和音乐制作元素。用户可通过文本提示生成最长47秒的高质量音频。该模型适用于创建鼓点、乐器片段、环境音效和拟音效果等。作为免费开源工具，它为音乐制作和声音设计提供了实用的解决方案。用户可以使用自己的数据微调模型，生成个性化音效。此外，模型支持部署到个人设备，便于自定义使用。

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。

WaveGrad - 高效实现高保真语音生成的WaveGrad技术

GithubWaveGrad声码器并行训练开源项目混合精度高保真生成

WaveGrad是Google Brain开发的依托去噪扩散概率模型(DDPM)技术的高保真语音合成工具。这一项目特别适用于高迭代推理，并且能在不同硬件上包括单GPU环境进行稳定高效的训练。其主要特点包括高保真声音生成、多迭代支持及分布式训练功能。预训练模型及灵活架构配置加强了其实用性和适应性。

Catch-A-Waveform - 单样本驱动的多样化AI音频生成技术突破

Catch-A-WaveformGithub开源项目深度学习神经网络音频处理音频生成

Catch-A-Waveform是一个开源的AI音频生成项目，通过单一短音频样本学习生成多样化音频。该项目支持无条件生成、带宽扩展、音频修复和降噪等功能，可用于音乐创作、语音处理和音频修复等领域。Catch-A-Waveform不仅能创造新的音频内容，还能提升现有音频质量，为音频处理技术开辟新的研究方向。

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