CoMoSpeech

一步实现高质量语音和歌声合成的一致性模型

CoMoSpeech 语音合成一步采样一致性模型快速推理 Github 开源项目

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。

SpeechMOS - 简化语音质量评估的开源工具

GithubMOS预测PyTorchSpeechMOS开源项目语音质量评估音频处理

SpeechMOS是一款开源的语音质量评估工具，通过简单的代码即可预测主观语音得分。该项目支持多种MOS预测系统，包括UTMOS强模型，可用于评估语音自然度。SpeechMOS使用torch.hub加载模型，无需额外导入库，支持批量处理，适用于语音合成评估等多种场景。这个工具为研究人员和开发者提供了便捷的语音质量评估方法。

glow-tts - 通过单调对齐搜索进行文本转语音的生成流

GithubGlow-TTSHiFi-GAN并行合成开源项目文本转语音模型训练

Glow-TTS，一款创新的文本到语音转换模型，独立完成文本与语音的单调对齐搜索，无需外部辅助。此模型不仅大幅提升合成速度，还支持多样性与可控性，并可适应多说话人环境。更新项包括采用新技术降低噪声并优化发音，使其在速度和音质上优于传统模型。

VoiceFlow-TTS - 结合最新流匹配算法的文本转语音技术

GithubKaldiVoiceFlow开源项目数据准备文本转语音模型训练

VoiceFlow-TTS项目采用先进的矫正流匹配技术，提升了文本到语音转换的效率和自然度。此项目详细介绍了设置环境、准备数据、训练模型以及推理过程，支持多GPU并发处理，兼容多种数据集。

coqui-ai-TTS - 先进的多语言文本转语音库支持1100多种语言

Coqui TTSGithub多语言支持开源项目文本转语音深度学习预训练模型

coqui-ai-TTS是一个先进的开源文本转语音库，支持超过1100种语言。该库提供多种深度学习模型，如Tacotron2、VITS和YourTTS，用于生成高质量语音。它还包含训练新模型、微调现有模型的工具，支持多说话人TTS，并提供数据集分析功能。

StreamSpeech - 在线和实时翻译模型

GithubStreamSpeech多任务学习实时合成开源项目语音翻译语音识别

StreamSpeech通过一个整合的模型，在线和实时翻译中展现行业领先水平，支持多达8种包括语音识别和语音转换任务。提供Web GUI演示，允许用户在浏览器中直接体验。探索StreamSpeech的功能和实例。

Diff-HierVC - 分层扩散模型实现高质量零样本语音转换

Diff-HierVCGithub开源项目扩散模型语音转换零样本说话人适应音高生成

Diff-HierVC是一种分层语音转换系统，采用DiffPitch和DiffVoice两个扩散模型。DiffPitch生成目标音高，DiffVoice转换语音风格。系统还使用源滤波器编码器和掩蔽先验技术，提高语音风格迁移和说话人适应能力。在零样本语音转换中，Diff-HierVC实现0.83%字错率和3.29%等错率，展现出色的音高生成和语音风格迁移性能。

fish-diffusion - 开源框架简化TTS、SVS和SVC模型开发

AI模型Fish DiffusionGithub多说话人开源项目语音合成

Fish Diffusion是一个开源的语音合成训练框架，专注于TTS、SVS和SVC任务。基于扩散模型，它支持多说话人合成和44.1kHz高品质输出。该项目优化了代码结构，提高了训练效率，并提供完整的环境配置和使用指南。Fish Diffusion适合研究人员和开发者探索语音合成技术，同时强调负责任的AI应用。项目特点包括简化的代码结构、多设备训练支持和半精度训练，有助于提高开发效率和降低资源消耗。此外，还提供了详细的数据集准备和模型训练指南，便于用户快速上手。

dreamtalk - 音频驱动的表情丰富说话头像生成系统

AI表情生成DreamTalkGithub开源项目扩散模型生成说话人头像音频驱动

DreamTalk是一个创新的音频驱动说话头像生成系统，采用扩散概率模型技术。该系统能生成高质量、表情丰富的说话头像视频，适应多种说话风格。DreamTalk在处理歌曲、多语言语音、噪声音频和非常规肖像等多样化输入时表现优异。通过结合扩散概率模型，DreamTalk实现了准确的唇形同步和生动的面部表情，为不同说话风格提供了灵活支持。

SenseVoice - 高效、多语种语音识别与情绪识别技术平台

GithubSenseVoice多语言语音识别开源项目情绪识别推理效率热门音频事件检测

SenseVoice是一款支持多语言的语音解析模型，整合了自动语音识别、语种识别、情绪识别及音频事件检测功能。该项目采用非自回归端到端框架，可在超过50种语言上提供精准的语音识别服务，大幅降低了推理延迟，提供方便的微调脚本和多语种细粒度情绪分析，支持多种客户端语言和服务部署，适用于多种商业场景。

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