NISQA

多维度语音质量评估和自然度预测深度学习工具

NISQA是一个先进的深度学习工具，专注于多维度语音质量评估，包括噪声、色彩度、断续和响度等特质。最新版本NISQA v2.0增强了预测精度，并支持模型训练与微调。NISQA-TTS专为评估文本到语音系统生成语音的自然度而设计。项目库含14,000多个语音样本，适用于广泛的训练和评估任务。

Github

文档

论文

介绍相关项目

HierSpeechpp - 分层变分推理实现高质量零样本语音合成

AI模型GithubHierSpeech++变分推理开源项目语音合成零样本

HierSpeech++项目提出了一种基于分层变分推理的零样本语音合成技术。该技术通过文本到向量框架生成语音表示,显著提高了合成语音的自然度和表现力。项目还引入了语音超分辨率框架,可将音频从16 kHz提升至48 kHz。实验表明,HierSpeech++在零样本语音合成任务中优于现有的基于大语言模型和扩散模型的方法,首次实现了人类水平质量的零样本语音合成。

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。

sound_dataset_tools2 - 多功能语音数据集制作工具

GUI界面GithubVITSsound_dataset_tools2开源项目语音数据集音频处理

sound_dataset_tools2是一款语音数据集制作工具。它具有GUI界面，支持音频+字幕和纯音频自动切割两种数据导入方式。该工具优化音频切割效果，减少断音问题，可导出符合VITS等项目要求的数据集格式。它还包含语音评测功能，有助于从大量数据中筛选出高质量数据集。此工具适用于需要创建语音数据集的研究人员和爱好者。

FunASR - 综合性开源语音识别与处理工具集

FunASRGithub多任务开源项目模型部署语音识别预训练模型

FunASR是一个全面的开源语音处理工具集，融合了学术研究和工业应用。它不仅支持语音识别模型的训练和微调，还提供了语音活动检测、标点恢复等多种功能。该项目提供大量预训练模型，便于快速构建高效准确的语音识别服务。FunASR以其广泛的功能、高性能和易部署特性，为语音识别技术的研究和应用提供了强大支持。

StyleTTS2 - 通过样式扩散与对抗训练实现的高质量的文本到语音合成模型

GithubStyleTTS 2大型语言模型对抗训练开源项目语音合成风格扩散

StyleTTS 2是一种创新的文本到语音模型，通过样式扩散和大规模语音语言模型的对抗训练，实现高质量的语音合成。该模型利用潜在随机变量生成最适合文本的语音风格，无需参考语音，提高了语音的自然度。StyleTTS 2在单说话人和多说话人数据集上的表现超越了现有模型，并在零样本说话人适应方面表现出色。

Bridge-TTS - 创新方法提升文本转语音合成效果

Bridge-TTSGithubSchrodinger Bridge开源项目文本转语音机器学习语音合成

Bridge-TTS是一个革新性的文本转语音(TTS)项目，利用人工智能和机器学习技术，通过创新的数据处理方法优化语音合成。无论在简单还是复杂的应用场景中，它都显著优于传统的扩散模型。这一突破不仅提升了TTS技术水平，还为语音合成和相关人工智能领域开辟了新的研究方向。项目详情、研究方法和结果可在官方网站查阅，完整源代码将在论文被学术界正式接受后公开发布。

GigaSpeech - 多领域英语语音识别数据集提供10,000小时转录音频

GigaSpeechGithub开源项目数据集深度学习语音识别音频处理

GigaSpeech是一个开源的多领域英语语音识别数据集，包含33,000多小时音频数据，其中10,000小时有高质量人工转录。数据来源包括有声书、播客和YouTube等，并提供多个规模的训练和评估子集。项目提供多种语音识别工具包的数据准备脚本，由志愿者维护并欢迎社区贡献，旨在促进语音技术的研究和应用。

Bert-VITS2 - 多语言BERT驱动的语音合成模型

Bert-VITS2FishAudioGithubMassTTSTTSVITS开源项目

Bert-VITS2项目融合了多语言BERT和先进的自回归TTS模型，提供高品质的语音合成。此项目参考了MassTTS等开源项目，并推荐使用Fish-Speech。详情和演示请参见视频链接和文档，项目强调中文用户需求和法律合规，禁止违规用途。

TTS-Cube - 基于神经网络的端到端语音合成系统

GithubTTS-Cube开源项目神经网络端到端系统语音合成音频生成

TTS-Cube是一个基于神经网络的端到端语音合成系统，提供训练和部署TTS模型的完整流程。系统无需预对齐数据，仅通过字符或音素序列即可训练生成音频。它包含一个编码器模块，将输入序列转换为梅尔对数谱图，以及一个基于RNN的声码器模块。TTS-Cube采用轻量级架构和引导注意力技术，实现快速收敛。项目提供交互式演示、安装指南和训练实例。

SpeechTokenizer - 将语音标记化统一的开源工具

GithubRVQSpeechTokenizer开源项目语音信息处理语音标记器语音语言模型

SpeechTokenizer 是一个开源的语音标记化工具，采用编码器-解码器架构和残差向量量化技术，统一了语义和声学标记。该项目能够分层分离语音信息的不同方面，为语音语言模型提供更精确的输入。它提供了在 LibriSpeech 和 Common Voice 数据集上训练的模型，支持 16kHz 单声道语音处理。项目开源了训练代码和预训练模型，可用于语音处理研究和应用开发。

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