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

metavoice-src - 1.2B参数开源TTS模型，支持情感语音合成和跨语言声音克隆

GithubMetaVoice-1BTTS开源开源项目情感语音语音克隆

MetaVoice-1B是一个开源的1.2B参数TTS模型，经过10万小时的语音训练，支持英语情感语音合成和零样本的美式和英式语音克隆（仅需30秒参考音频）。该模型还支持跨语言声音克隆和任意长度文本的语音合成。可通过云端或本地部署使用，并提供Hugging Face和Google Colab的演示。

vall-e - 开源PyTorch框架下基于EnCodec Tokenizer的音频合成实现

GithubPyTorchVALL-E人工智能开源项目模型训练音频合成

VALL-E项目是EnCodec Tokenizer在开源PyTorch环境下的实施，提供高效音频合成技术。支持GPU加速，允许用户迅速搭建、训练个性化音频模型，并通过CLI完成音频合成。包括AR和NAR模型训练，模型配置与导出等功能，并持续优化以期未来提供预训练模型和更丰富的示例。

vits - 基于变分自编码器和对抗学习的端到端TTS系统

GithubTTSVITS变分自编码器对抗学习开源项目语音合成

VITS是一种结合变分自编码器和对抗学习的端到端TTS系统，能够提升语音合成的自然度。通过变分推理和正态化流，以及随机时长预测器，VITS实现了多样节奏的语音合成。实验结果表明，该方法在LJ Speech数据集上的表现优于现有的TTS系统，接近真实语音的水平。

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。

vits2_pytorch - 单阶段文本到语音转换的效率与质量提升

GithubVITS2单阶段模型对抗学习开源项目文本转语音架构设计

VITS2_pytorch是一款先进的单阶段文本到语音转换模型，采用对抗学习和架构设计改进前代产品。这一最新的非官方实现版本，旨在通过增强模型结构和训练机制，有效提升语音自然度和特征相似性，同时显著降低对音素转换的依赖，从而提高训练和推断的效率。该项目还为专业人士提供了预训练模型和多种语言的样本音频，支持开箱即用的转换学习。

ArtGAN - 深度学习驱动的艺术品生成与分类开源项目

ArtGANGithub图像分类开源项目数据集深度学习艺术生成

ArtGAN是一个融合深度学习与艺术的开源项目，专注于艺术作品的生成和分类。项目包含WikiArt数据集、改进的ArtGAN模型用于条件合成图像和艺术品，以及深度卷积网络用于绘画分类。通过生成高质量肖像画，ArtGAN展示了AI在艺术领域的应用潜力。该项目不仅为学术研究提供了重要资源，还为艺术创作和鉴赏开拓了新视角。项目由三个主要部分组成：精炼的WikiArt数据集、用于条件合成图像的改进ArtGAN模型，以及用于绘画分类的深度卷积网络。这些组件共同构成了一个全面的艺术智能研究平台，为探索AI与艺术的交叉领域提供了有力支持。

tango - 利用扩散模型和大语言模型实现先进的文本到音频生成

GithubTango人工智能开源项目文本转音频生成潜在扩散模型音频生成

Tango是一个创新的文本到音频生成模型,结合了潜在扩散模型和大语言模型技术。该模型使用冻结的Flan-T5作为文本编码器,训练UNet扩散模型生成音频。尽管训练数据集较小,Tango的性能仍可媲美最先进模型。Tango 2版本通过在Audio-alpaca数据集上的DPO对齐训练进一步提升了生成质量。项目开源了模型代码和预训练权重,为音频生成研究提供了有价值的资源。

Retrieval-based-Voice-Conversion-WebUI - 开源AI变声框架实现实时变声和快速模型训练

GithubWebUI人工智能变声开源项目训练语音转换

Retrieval-based-Voice-Conversion-WebUI是一个基于VITS的开源变声框架。该项目支持实时变声和快速模型训练，只需少量数据即可生成高质量变声模型。框架提供多语言界面和跨平台支持，并配有详细教程。项目采用检索式方法替换输入源特征，有效防止音色泄漏。支持在中低配置GPU上快速训练，并可通过模型融合调整音色。WebUI界面简洁直观，内置UVR5模型便于人声分离。采用InterSpeech2023-RMVPE算法提取音高，性能出色且资源占用低。该框架支持多种硬件加速，适用于不同用户需求，是一个功能丰富且操作简便的AI变声工具。

GeneFace - 广义和高保真3D会说话的人脸合成

3D人脸合成GeneFaceGithubICLR'23开源项目音频驱动高保真

该项目展示了一种通用且高保真的音频驱动3D说话面部生成方法。GeneFace 实现了更好的唇同步和面部表现，即使在非典型音频中也是如此。项目附带预训练模型和数据集，方便快速上手，并支持使用个人视频训练独特的GeneFace模型。新发布的GeneFace++ 提升了唇同步、视频质量和系统效率，具备实时推断和更快的深度3D重建功能。

ultravox-v0_4 - 结合语音与文本处理的多模态模型

AI模型Fixie.aiGithubHuggingfaceUltravox多模态开源项目模型语音识别

Ultravox是一种多模态语言模型，结合了Llama3.1-8B和Whisper-medium技术，支持语音和文本的输入。通过特殊音频标记，该模型将音频转换为文本嵌入以生成输出。未来版本计划支持直接生成语音。Ultravox可以应用于语音代理、翻译和音频分析。模型使用多语种语音识别数据集进行训练，并在8x H100 GPU上运用BF16精度。最新版本在A100-40GB GPU上实现首次生成标记时间约为150毫秒。

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。

稿定AI

稿定设计是一个多功能的在线设计和创意平台，提供广泛的设计工具和资源，以满足不同用户的需求。从专业的图形设计师到普通用户，无论是进行图片处理、智能抠图、H5页面制作还是视频剪辑，稿定设计都能提供简单、高效的解决方案。该平台以其用户友好的界面和强大的功能集合，帮助用户轻松实现创意设计。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com