Logo
Project Icon

Diff-HierVC

分层扩散模型实现高质量零样本语音转换

语音转换Diff-HierVC扩散模型音高生成零样本说话人适应Github开源项目

Diff-HierVC是一种分层语音转换系统，采用DiffPitch和DiffVoice两个扩散模型。DiffPitch生成目标音高，DiffVoice转换语音风格。系统还使用源滤波器编码器和掩蔽先验技术，提高语音风格迁移和说话人适应能力。在零样本语音转换中，Diff-HierVC实现0.83%字错率和3.29%等错率，展现出色的音高生成和语音风格迁移性能。

访问官网访问官网GithubGithub文档文档论文论文
介绍相关项目
bigvgan_v2_22khz_80band_256x - 大规模训练的通用神经网络声码器 高性能音频生成模型
BigVGANCUDA加速GithubHuggingface开源项目模型神经声码器音频生成预训练模型
BigVGAN是一个通用神经网络声码器,支持高达44kHz采样率和512倍上采样。其最新版本优化了推理速度,改进了模型结构,并使用大规模多样化数据集训练。该模型在语音合成基准测试中表现出色,为音频生成任务提供了高性能解决方案。
vocos-mel-24khz - 基于GAN的高效神经声码器Vocos
GANGithubHuggingfaceVocos开源项目梅尔频谱图模型神经声码器音频合成
Vocos是一个开源的神经声码器项目,采用GAN训练方法,能够从声学特征快速合成高质量音频。它通过生成频谱系数并进行傅里叶逆变换重建音频,实现单次前向传播的高效生成。项目提供预训练模型和Python接口,支持梅尔频谱图重建和文件复合合成。Vocos结合了时域和傅里叶域声码器的优点,为音频合成领域提供了新的技术方案。
HunyuanDiT-v1.2-Diffusers - 基于多分辨率扩散技术的中文图像生成模型
GithubHuggingfaceHunyuanDiT中文理解人工智能图像生成多分辨率开源项目模型
HunyuanDiT-v1.2-Diffusers是一个开源的文本到图像生成模型，基于多分辨率Diffusion Transformer架构实现中英文文本理解。模型在文本-图像一致性、AI伪影控制、主体清晰度和美学评分等维度进行了测试评估，支持长文本输入和中国文化元素理解，可用于多样化的图像生成场景。
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。
V-Express - V-Express项目中的多媒体智能转换技术
GithubHuggingfaceV-Express开源项目模型稳定扩散视频生成面部分析音频编码器
V-Express项目通过diffusers库，实现从音频到视频的生成，整合了稳定扩散和文本到图像转换技术。项目中包含wav2vec2-base-960h音频编码器和insightface面部分析模型，支持多媒体内容的高效生成与分析。
YourTTS - 多语言零样本多发音人文本转语音及语音转换技术
Coqui TTSGithubYourTTS多语言开源项目语音转换零样本多说话者TTS
YourTTS项目开发了先进的多语言零样本多发音人文本转语音及语音转换技术，适用于少量语音样本。该技术支持多种语言，确保高语音相似度和优质输出。基于改良的VITS模型，此技术在多语训练中展现出色表现，获得业界肯定。
tts-hifigan-ljspeech - 单声道声码器工具用于将声谱图转换为波形
GithubHiFIGANHuggingfaceLJSpeech单说话人声码器开源项目模型语音合成
此项目提供基于LJSpeech数据集训练的HiFIGAN声码器，可将声谱图转换为波形，适用于语音合成过程中的应用。模型针对单一发声者设计，但在一定程度上支持多发声者。建议使用22050 Hz采样率的输入数据，并参考SpeechBrain教程快速上手。
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。
rvc-tts-pipeline - TTS与RVC融合的开源语音合成流水线
AI语音GithubPyTorchRVC-TTS-Pipeline开源项目语音合成语音转换
RVC-TTS-Pipeline是一个开源语音合成项目，结合文本到语音(TTS)和RVC模型技术，旨在生成接近原始说话者声音的语音输出。该项目将TTS生成的音频转换为RVC模型的训练权重，提高了语音还原质量。项目提供简单的安装步骤和API，方便用户进行语音合成。目前仍处于开发阶段，存在一些问题待解决。
UniCATS-CTX-vec2wav - 声学上下文感知的创新声码器
CTX-vec2wavGithubUniCATS上下文感知声码器开源项目语音合成
UniCATS-CTX-vec2wav是UniCATS框架中的声学上下文感知声码器。该项目利用上下文VQ-Diffusion和声码化技术进行语音合成，提供完整的训练和推理流程。支持多GPU训练，并提供16kHz和24kHz采样率的预训练模型参数。此开源项目为研究人员和开发者提供了探索先进语音合成技术的平台。
相关项目
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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。

Project Cover

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
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号