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。

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。

WhisperS2T - 高效多后端语音识别管道实现快速精准转录

GithubWhisperS2T优化管道多后端支持开源项目语音转文本高速推理

WhisperS2T是一个为Whisper模型优化的开源语音识别管道，提供更快的转录速度。它支持OpenAI原始模型、HuggingFace模型和CTranslate2模型等多种推理引擎。该项目具有集成自定义VAD模型、智能处理音频文件、支持多语言和多任务批处理等特点，并能有效减少幻觉输出。WhisperS2T在保持高准确度的同时大幅提升转录速度，为用户提供高效的语音识别解决方案。

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。

audioldm2 - 文本到音频生成模型AudioLDM 2实现多种音效、语音及音乐生成

AudioLDM 2GithubHuggingface声音效果开源项目文本到音频模型生成模型自监督预训练

AudioLDM 2是一个文本到音频扩散模型，能通过自监督预训练生成多样化的音效、语音与音乐样本。其模型提供多个检查点，既适用于一般文本到音频的生成，也专注于音乐生成。用户可以通过调整推理步骤和音频长度控制生成音频的质量和时长。在Diffusers库中，从v0.21.0版本便可应用。该模型通过简单的提示，支持个性化音频创作，以中立的方式满足音频生成需求。

RealtimeTTS - 实时低延迟高质量文本转语音库

GithubRealtimeTTS低延迟多引擎支持多语言支持开源项目高质量音频

RealtimeTTS是一款低延迟、高质量的实时文本转语音库。支持OpenAI、Elevenlabs、Azure、Coqui、gTTS和系统TTS引擎，兼容多语言，适用于专业和关键场景。新增灵活定制安装选项，用户可以选择所需功能模块。通过回退机制确保持续运行，完美兼容大语言模型，实现即时文本流转换和清晰自然的语音输出。

mandarin-tts - 模块化的中文文本到语音合成框架

AI绘图Githubgithubmandarin-ttsvocoder开源项目语音合成

mandarin-tts是一个模块化的中文文本到语音合成框架，适用于加速科研和产品开发。它的主要特点包括模块化配置、多样的声码器支持以及丰富的嵌入选项，如说话人、韵律和文本嵌入。此外，该框架还支持预测语音的持续时间、音调和能量变化，通过开源合作进一步拓展其功能。框架提供多数据集的音频样本和预训练模型，方便用户使用和进一步开发。此外通过正确使用专有名词，如YAML配置文件，并加入客观描述，提供高效的开发工具给研究人员和开发者。

ChatTTS_colab - 一键部署简易语音合成，支持多种功能

ChatTTSColabGithub分角色朗读开源项目长音频生成音色抽卡

ChatTTS_colab 是基于 ChatTTS 的简易部署项目，支持流式输出、音色抽卡、长音频生成和分角色朗读。通过点击 Colab 按钮即可在浏览器中运行，无需复杂环境配置。项目提供稳定的说话人音色库，可以根据性别和年龄查找适合的音色。提供多个下载链接及详细使用指南，兼容多种操作系统，并附有常见问题解答，方便用户快速上手。

speecht5_hifigan - 用于语音合成和声音转换的开源声码器

GithubHiFi-GANHuggingfaceSpeechT5声音转换开源项目文本转语音模型语音处理

SpeechT5 HiFi-GAN是一个专为SpeechT5文本转语音和声音转换模型开发的开源声码器。该项目采用MIT许可证，提供预训练权重，能够与SpeechT5的语音处理功能无缝集成。它为开发者和研究人员在语音合成和声音转换领域提供了实用工具。SpeechT5采用统一模态的编码器-解码器预训练方法，为口语处理技术开辟了新的研究方向。

tacotron - 谷歌发展的全自动语音合成模型Tacotron

Brain teamsGithubGoogleSound UnderstandingTacotron开源项目语音合成

由Google的声音理解与大脑团队开发的Tacotron，是一款实现自动语音生成的模型。包含相关论文的音频样本。注意：此模型不是Google的官方产品。

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。

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