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

VSGAN - VapourSynth超分辨率和图像修复模块

GithubPyTorchVSGANVapourSynth图像处理开源项目超分辨率

VSGAN是一个为VapourSynth开发的超分辨率和图像修复处理模块，基于PyTorch实现。该模块利用深度学习技术，提供视频和图像的高质量超分辨率和修复功能。VSGAN兼容Python 3.7+和VapourSynth R55+版本，在GitHub上开源并提供详细文档。这个持续更新的项目为视频处理爱好者和专业人士提供了强大的图像增强工具。

speech-resynthesis - 基于离散解耦自监督表示的语音重合成技术

Github开源项目自监督学习表示学习语音合成语音编码语音重合成

该项目开发了一种新型语音重合成方法，采用自监督学习的离散表示技术，分别提取语音内容、韵律信息和说话人特征。这种方法实现了可控的语音合成，在重建质量和特征解耦方面表现优异。此外，该技术还可应用于超轻量级语音编解码，以365比特/秒的低比特率提供高质量语音输出。项目提供完整的训练和推理流程，兼容多种数据集和自监督学习方法。

ttts - 创新多语言语音合成技术的突破性进展

AI模型GithubTTSVQVAE声音合成多语言支持开源项目

TTTS_v4是一个开源的多语言语音合成项目，通过创新的'细节'建模方法改进了传统VQ技术。该项目现已支持中文、英文、日语和韩语，并具有扩展性。TTTS_v4整合了tokenizer训练、VQVAE训练和GPT语音合成技术，旨在生成高质量的自然语音。此外，项目还提供模型微调功能，适用于多种语言场景和个性化需求。

Multilingual_Text_to_Speech - 多语言文本到语音合成技术

GithubMeta-learningTacotron 2多语言文本转语音开源项目神经网络模型语音合成

Multilingual_Text_to_Speech项目综合采用Tacotron 2模型与元学习技术，支持复杂的多语言语音合成实验，提供完善的编码器共享机制，并包含丰富的语言数据及互动示范，旨在推动学术研究及应用开发。

vampnet - 基于音频编解码器的先进音乐生成模型

Fine-tuningGithubGradio界面VampNet开源项目生成音乐模型预训练模型

VampNet是一个开源的音乐生成项目，基于音频编解码器技术开发。该项目提供了训练音乐生成模型的方法，包括预训练模型和交互式界面。VampNet支持模型训练、微调和多GPU训练，适用于音乐创作和研究。项目文档详细介绍了环境配置、模型使用和训练过程，便于用户快速上手和探索音乐生成技术。

VITS-fast-fine-tuning - 个性化多语言语音合成与转换工具

GithubVITS声音转换多语言开源项目文本转语音语音克隆

VITS-fast-fine-tuning是一个开源的语音合成项目，旨在快速实现个性化的多语言文本转语音和声音转换功能。该工具支持中英日三语合成，允许用户添加自定义声音，并实现角色间的声音转换。项目提供本地训练和Google Colab两种方式，适应不同用户需求。此外，它能从多种音频源（如短音频、长音频、视频和B站链接）克隆声音，为用户提供灵活的声音定制选项。VITS-fast-fine-tuning的微调过程通常只需1小时左右，大大提高了个性化语音模型的开发效率。

Diffusion-SVC - 高效实时语音转换系统

AI模型ContentVecDiffusion-SVCGithub开源项目扩散模型语音转换

Diffusion-SVC是一个基于扩散模型的语音转换项目，专注于实现高质量的实时语音转换。该系统以低显存占用、快速训练和推理为特点，并针对浅扩散和实时应用进行了优化。Diffusion-SVC支持多种预训练模型和编码器，适用于不同规模的GPU，可灵活搭配使用。通过与其他声学模型级联，系统能进一步提升音频质量并降低性能消耗，为语音转换技术带来新的可能性。

soundstorm-pytorch - 基于PyTorch的高效并行音频生成模型

GithubPytorchSoundStorm人工智能开源项目深度学习音频生成

SoundStorm是Google DeepMind开发的高效并行音频生成模型，本项目提供其PyTorch实现。该模型将MaskGiT技术应用于Soundstream的残差向量量化编码，采用Conformer架构。项目包含完整的训练和生成代码，支持原始音频处理和文本到语音转换。此实现整合了多个相关模型，旨在促进前沿语音合成技术的应用与研究。

musicgen-large - 基于文本和音频提示的大规模AI音乐生成模型

GithubHuggingfaceMusicGenTransformer模型人工智能开源项目文本生成音乐模型音频合成

MusicGen-large是Meta AI开发的3.3B参数规模文本到音乐生成模型。该模型采用单阶段自回归Transformer架构和32kHz EnCodec分词器，能根据文本描述或音频提示生成高质量音乐。MusicGen支持文本和旋律引导音乐创作，为AI音乐研究开辟新途径。研究人员可通过Transformers或Audiocraft库使用MusicGen进行音乐生成实验。

whisper-large-v3 - 突破性多语言语音识别与翻译模型

GithubHuggingfaceOpenAIWhisper多语言开源项目模型语音翻译语音识别

Whisper large-v3是OpenAI开发的新一代语音识别和翻译模型,支持100多种语言。相比前代模型,它采用128个梅尔频率通道并新增粤语语言标记,将各语言错误率降低10-20%。模型可用于语音转录和翻译任务,易于集成应用。Whisper large-v3展现出卓越的泛化能力,为语音识别技术带来重大进展。

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