BigVGAN

大规模训练的通用神经网络声码器

BigVGAN是一个通过大规模训练实现的通用神经网络声码器。它可高质量合成多语言语音、环境声音和乐器声音等多种音频。项目提供多个预训练模型，支持44kHz采样率和512倍上采样比率。BigVGAN集成自定义CUDA内核，在单个A100 GPU上推理速度提升1.5-3倍。

访问官网

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。

vocos - 基于傅里叶变换的快速神经声码器

GithubVocos开源项目深度学习神经声码器语音技术音频合成

Vocos是一款创新的神经声码器，通过生成频谱系数而非时域样本来合成音频波形。它采用GAN训练，支持从梅尔频谱图和EnCodec令牌重建音频，实现了快速高效的音频合成。Vocos的独特设计弥合了时域和傅里叶域神经声码器之间的差距，为音频合成领域提供了新的解决方案。

vocos-encodec-24khz - 基于频域的高效神经声码器实现快速高质量音频合成

AI语音Fourier变换GithubHuggingfaceVocos开源项目模型神经声码器音频合成

Vocos是一种基于频域的神经声码器，利用生成对抗网络（GAN）训练，实现单次前向传递生成波形。通过在频域建模音频并使用逆傅里叶变换，Vocos能够快速重建高质量音频。项目提供简便的安装方法和使用示例，支持从EnCodec令牌重建音频和文件复制合成。这种创新方法在保证音频质量的同时大幅提升了处理效率，为音频合成技术开辟了新路径。

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。

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。

DiffGAN-TTS - 采用去噪扩散生成对抗网络技术的文本到语音转换技术

DiffGAN-TTSGithubPyTorch多说话者TTS开源项目文本到语音训练模型

DiffGAN-TTS采用去噪扩散生成对抗网络技术，通过激活浅层扩散机制，提供了一种高效且高保真的文本到语音转换方案。该技术支持多种发音特征和语种，实现了保持语音自然度的同时，进行灵活的语音控制，包括音调和语速的调整。此技术适用于多语言和多说话人场景，为深度学习语音合成领域提供了新的可能性。

wavegrad - 由Google Brain设计的高效神经声码器

GithubWaveGrad多GPU训练开源项目神经声码器预训练模型高质量合成

WaveGrad是由Google Brain团队设计的神经声码器，专业于将对数缩放的Mel频谱图转换为波形。此项目提供稳定训练、合成、混合精度训练以及多GPU支持，且支持命令行和API推理接口，配备预训练模型。易于安装，支持通过pip和GitHub进行安装。其多GPU训练和混合精度训练提升了处理效率，适合需进行高效音频处理的开发者。

metricgan-plus-voicebank - 基于MetricGAN+的开源语音增强模型实现PESQ 3.15分及STOI 93.0分

GithubHuggingfaceMetricGANPyTorchSpeechBrainVoicebank开源项目模型语音增强

MetricGAN+是一个基于SpeechBrain框架开发的语音增强模型，在Voicebank-DEMAND数据集测试中达到PESQ 3.15分和STOI 93.0分。模型支持16kHz采样率音频处理，提供Python接口实现音频降噪和质量优化。项目开源，可用于语音处理和音频增强等应用场景。

Neural-Voice-Cloning-With-Few-Samples - 少样本语音克隆的先进技术

GithubNVIDIA V100VCTK数据集声音克隆多说话者生成模型开源项目训练

Neural-Voice-Cloning-With-Few-Samples项目致力于开发能够实现少样本语音克隆的先进技术。项目通过建立说话者嵌入空间，有效捕捉说话者的独特语音特性，如音调、口音等，类似于语音指纹。该项目已在84名讲话者上进行训练，使用了NVIDIA V100 GPU完成了大量周期的训练。欲了解更多，可参考Baidu发表的论文《Neural Voice Cloning with Few Samples》。

AudioGPT - 多功能音频生成与理解平台，支持语音、音乐、音效及虚拟人对话

AudioGPTGithub开源项目语音增强语音识别音乐生成音频合成

AudioGPT 是一个多功能音频生成与理解平台，具备语音合成、语音识别、语音分离、风格迁移、声音检测、声音提取、文本到音频转换等功能，还支持音乐生成与虚拟人对话。集成了 FastSpeech、whisper、GeneFace 等多个领先的基础模型，AudioGPT 为开发者提供强大的开源工具和预训练模型，支持多种音频相关任务，不断扩展其功能和应用场景。此平台适合音频处理、自然语言处理及多模态研究的需求。

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