COMOSPEECH
CoMospeech的实现。详细信息请查看我们在ACM MM 2023上发表的论文：CoMoSpeech：基于一致性模型的一步式语音和歌声合成。
作者：叶臻、薛伟、谭旭、陈杰、刘启锋、郭毅可。
更新
2024-04-26
- 我们提出了FlashSpeech，一种基于潜在一致性模型和对抗训练的高效零样本语音合成器。（论文）
2023-12-01
- 我们还提出了一个基于一致性模型的精心设计的歌声转换（SVC）版本（代码）。
2023-11-30
- 我们发现使用零均值高斯噪声代替grad-tts中的先验也能达到类似的效果。我们同时发布了新的代码和检查点。
2023-10-21
- 我们为教师模型添加了Heun二阶方法支持（可用于教师模型采样和更好的一致性蒸馏ODE轨迹）。
摘要
演示页面：链接。
去噪扩散概率模型（DDPMs）在语音合成方面表现出了良好的性能。然而，为了获得高质量的样本，需要大量的迭代步骤，这限制了推理速度。在保持样本质量的同时提高采样速度已成为一项具有挑战性的任务。在本文中，我们提出了一种基于一致性模型的语音合成方法CoMoSpeech，通过单次扩散采样步骤实现语音合成，同时保持高音频质量。一致性约束被应用于从精心设计的基于扩散的教师模型中蒸馏出一致性模型，最终在蒸馏后的CoMoSpeech中产生卓越的性能。
我们的实验表明，通过单次采样步骤生成音频记录，CoMoSpeech在单个NVIDIA A100 GPU上实现了比实时快150多倍的 推理速度，这与FastSpeech2相当，使基于扩散采样的语音合成真正变得实用。同时，对文本到语音和歌声合成的客观和主观评估显示，所提出的教师模型产生了最佳的音频质量，而基于单步采样的CoMoSpeech在推理速度上达到最佳，同时音频质量优于或可与其他传统多步扩散模型基线相媲美。
准备
构建monotonic_align代码（Cython）：
cd model/monotonic_align; python setup.py build_ext --inplace; cd ../..
推理
通过提供文本文件路径、检查点路径和采样步数来运行inference.py脚本 ：
python inference.py -f <文本文件> -c <检查点> -t <采样步数>
查看名为out的文件夹以获取生成的音频。请注意，在参数文件中，Teacher = True 用于我们的教师模型，False 用于我们的ComoSpeech。此外，我们使用与Grad-TTS相同的声码器。您可以下载它并放入checkpts文件夹。
训练
我们使用LJSpeech数据集，并遵循fastspeech2中的训练/测试/验证集划分，您可以在fs2_txt文件夹中更改划分。然后运行train.py脚本，
python train.py
请注意，在参数文件中，Teacher = True 用于我们的教师模型，False 用于我们的ComoSpeech。在训练Comospeech时，应提供教师检查点目录。
在LJSpeech上训练的检查点可以从这里下载。
致谢
我要特别感谢Grad-TTS的作者，因为我们的代码库主要借鉴自Grad-TTS。
联系方式
欢迎您发送拉取请求或与我分享一些想法。联系信息：叶臻（zhenye312@gmail.com）
编辑推荐精选
AEE
AI Excel全自动制表工具
AEE 在线 AI 全自动 Excel 编辑器，提供智能录入、自动公式、数据整理、图表生成等功能，高效处理 Excel 任务，提升办公效率。支持自动高亮数据、批量计算、不规则数据录入，适用于企业、教育、金融等多场景。
UI-TARS-desktop
基于 UI-TARS 视觉语言模型的桌面应用，可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用，基于 UI-TARS（视觉语言模型）构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能，支持跨平台使用（Windows/MacOS），能提供实时反馈和状态显示，且数据完全本地处理，保障隐私安全。该应用集成了多种大语言模型和搜索方式，还可进行文件系统操作。适用于需要智能交互和自动化任务的场景，如信息检索、文件管理等。其提供了详细的文档，包括快速启动、部署、贡献指南和 SDK 使用说明等，方便开发者使用和扩展。
Wan2.1
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目，支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项，可调整分辨率、扩散步数等参数，还能对提示词进行增强。使用了多种先进技术和工具，在视频和图像生成领域具有广泛应用前景，适合研究人员和开发者使用。
爱图表
全流程 AI 驱动的数据可视化工具，助力用户轻松创作高颜值图表
爱图表（aitubiao.com）就是AI图表，是由镝数科技推出的一款创新型智能数据可视化平台，专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型，爱图表结合强大的数据处理能力与智能化功能，致力于帮助职场人士高效处理和表达数据，提升工作效率和报告质量。
Qwen2.5-VL
一款强大的视觉语言模型，支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型，支持图像和视频输入，可用于多种场景，如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式，还包含了视觉处理工具，有助于开发者快速集成和使用，提升工作效率。
HunyuanVideo
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力，支持多种分辨率和视频长度选择，能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法，可灵活调整生成参数，满足不同场景的需求，是文本生成图像视频领域的优质工具。
WebUI for Browser Use
一个基于 Gradio 构建的 WebUI，支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目，它集成了多种大型语言模型，支持自定义浏览器使用，具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务，无论是数据提取、网页导航还是表单填写等操作都能高效实现，有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用，在 SEO 优化方面，其关键词涵盖浏览器使用、WebUI、大型语言模型集成等，有助于提高网页在搜索引擎中的曝光度。
xiaozhi-esp32
基于 ESP32 的小智 AI 开发项目，支持多种网络连接与协议，实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目，专注于人工智能语音交互领域。项目涵盖了丰富的功能，如网络连接、OTA 升级、设备激活等，同时支持多种语言。无论是开发爱好者还是专业开发者，都能借助该项目快速搭建起高效的 AI 语音交互系统，为智能设备开发提供强大助力。
olmocr
一个用于 OCR 的项目，支持多种模型和服务器进行 PDF 到 Markdown 的转换，并提供测试和报告功能。
olmocr 是一个专注于光学字符识别（OCR）的 Python 项目，由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器，如 vllm、sglang、OpenAI 等，可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能，方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域，有助于提高工作效率和准确性。
飞书多维表格
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型，提供 AI 自动化解决方案，支持批量写作、数据分析、跨模态处理等功能，适用于电商、短视频、影视创作等场景，提升企业生产力与创作效率。关键词：飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号