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

megatts2 - Megatts2 的非官方实现，多语种语音合成训练

GithubMegatts2Pytorch-lightningVQ-GAN开源项目数据集准备文本到语音

megatts2为Megatts2的非官方实现，支持中英文混合的深度学习语音合成训练。该项目涵盖数据处理、模型训练及语音推理，使用Pytorch-lightning框架优化训练流程，目标训练1000小时语音数据。

FCH-TTS - 并行语音合成模型

GithubParallelTTS合成样例声码器开源项目语音合成预训练模型

FCH-TTS采用先进的并行语音合成技术，快速生成高质量语音。支持多语种及多种声音风格，满足多样化应用需求。项目持续迭代，引入诸如SoftDTW损失函数等新功能和优化，同时集成顶尖的声码器技术。FCH-TTS不仅提供预训练模型和丰富的合成示例，还允许用户自定义训练和合成，适用于教育、娱乐及商业多个领域。

audio-ai-timeline - 音频AI领域2023年重大进展及模型概览

AI音频生成Github开源项目扩散模型文本转语音深度学习音乐生成

Audio AI Timeline项目追踪2023年音频生成领域AI模型进展。涵盖MusicLM、AudioLDM 2等重要模型，展示文本到音频、音乐生成和语音合成技术发展。项目记录模型发布日期、论文、代码和训练资源，为音频AI领域研究者和开发者提供参考。

tango-full - 基于扩散模型的高质量文本到音频生成工具

GithubHuggingfaceTANGO开源项目文本转音频模型深度学习生成式人工智能语音合成

TANGO是一个开源的文本到音频生成工具，基于潜在扩散模型实现。它可根据文本提示生成包括人声、动物声、自然声和人工音效在内的多种逼真音频。TANGO采用Flan-T5作为文本编码器，结合UNet架构的扩散模型进行音频生成，在客观和主观评估中均优于现有技术。该项目提供了完整的模型代码、训练流程和预训练权重，为音频生成研究提供了有力支持。

bigvsan - GAN神经声码器结合切片对抗网络的创新音频生成模型

BigVSANGANGithub开源项目深度学习神经声码器语音合成

BigVSAN项目结合GAN神经声码器和切片对抗网络，旨在提高音频生成质量。该项目基于LibriTTS数据集训练，提供预训练模型及完整的代码实现。包括训练、评估和推理功能，并附有详细使用说明。在多项客观评估指标中，BigVSAN展现出优秀性能，为语音合成技术开辟新方向。

SpecVQGAN - 使用视觉提示生成高保真声音的方法

GithubSpecVQGANTransformer代码本声谱图开源项目训练模型

SpecVQGAN项目提出了一种利用视觉提示生成声音的方法。通过将训练数据集缩小到一组代表向量（代码本），这些代码本向量可被控地进行采样，从而根据视觉提示生成新声音。项目使用VQGAN的训练方法在频谱图上训练代码本，并通过GPT-2变体的transformer在视觉特征条件下自回归地采样代码本条目。这种方法可以生成长时间、相关且高保真的声音，并支持多种数据类别。

vocos-mel-24khz - 基于GAN的高效神经声码器Vocos

GANGithubHuggingfaceVocos开源项目梅尔频谱图模型神经声码器音频合成

Vocos是一个开源的神经声码器项目,采用GAN训练方法,能够从声学特征快速合成高质量音频。它通过生成频谱系数并进行傅里叶逆变换重建音频,实现单次前向传播的高效生成。项目提供预训练模型和Python接口,支持梅尔频谱图重建和文件复合合成。Vocos结合了时域和傅里叶域声码器的优点,为音频合成领域提供了新的技术方案。

WavJourney - AI多模态音频内容生成系统

AI音频生成GithubWavJourney多媒体叙事大语言模型开源项目音频创作

WavJourney是一个开源的音频内容生成系统，利用大型语言模型技术，将文本输入转化为包含故事情节、个性化语音、音乐和音效的完整音频作品。该项目整合了GPT-4、文本转语音和音频生成等技术，提供了全面的音频创作功能。WavJourney适用于研究和商业领域，并提供详细的使用文档和示例。

tango - 利用扩散模型和大语言模型实现先进的文本到音频生成

GithubTango人工智能开源项目文本转音频生成潜在扩散模型音频生成

Tango是一个创新的文本到音频生成模型,结合了潜在扩散模型和大语言模型技术。该模型使用冻结的Flan-T5作为文本编码器,训练UNet扩散模型生成音频。尽管训练数据集较小,Tango的性能仍可媲美最先进模型。Tango 2版本通过在Audio-alpaca数据集上的DPO对齐训练进一步提升了生成质量。项目开源了模型代码和预训练权重,为音频生成研究提供了有价值的资源。

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。

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