Logo
Project Icon

PaSST

Patchout技术优化音频变换器训练效率及性能

PaSST音频转换器Patchout预训练模型音频分类Github开源项目

PaSST项目开发的Patchout方法通过丢弃部分输入patch优化音频频谱图变换器模型训练。该技术显著降低训练时间和GPU内存消耗，同时提升模型性能。Patchout支持随机丢弃或丢弃整个时间帧、频率区间。项目提供预训练模型、推理和嵌入提取功能，以及下游任务微调框架，为音频AI研究和应用提供全面支持。

GithubGithub论文论文
介绍相关项目
GST-Tacotron - PyTorch实现的自动语音合成与风格控制模型
GST-TacotronGithubPyTorch中文支持多说话人数据集开源项目语音合成
GST-Tacotron是一个基于PyTorch的端到端语音合成系统实现，实现无监督风格建模、控制与转移技术。该项目已增加对Blizzard数据集的支持，同时提供了预训练模型，专门针对中文数据集进行训练。支持简单的命令行操作以训练模型和生成.wav格式的语音文件，方便研究人员和开发者在多说话人数据集上进行语音合成实验。
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。
dc_tts - 基于深度卷积网络的高效文本到语音转换模型
DC-TTSGithubTensorFlow开源项目文本转语音训练模型语音样本
dc_tts，一个基于TensorFlow的文本到语音转换模型，使用深度卷积网络和引导注意力机制进行设计。项目不仅还原了相关学术论文，还对不同声音数据进行了深入研究，支持多种语言和数据集，提供完善的训练及预处理教程以及预训练模型，适用于学术研究和实际应用场景。
snac_24khz - 高效低比特率音频压缩的神经编解码器
GithubHuggingfaceSNAC开源项目模型深度学习神经网络编解码器语音合成音频压缩
SNAC是一种先进的多尺度神经音频编解码器，以0.98 kbps的超低比特率压缩24 kHz音频。它采用分层令牌方法，创新地降低了粗糙令牌的采样频率，扩大时间覆盖范围。该模型主要用于语音合成，但也提供适用于音乐和音效的高采样率版本。SNAC支持单声道音频处理，提供多个预训练模型以满足不同需求，是音频压缩和处理领域的重要工具。
whisper-vits-svc - 基于VITS的端到端歌声转换开源项目
AIGithubPyTorchVITS开源项目深度学习语音转换
whisper-vits-svc是一个开源的端到端歌声转换项目,基于VITS模型架构。该项目支持多说话人转换,可混合创建新音色,并能处理带轻伴奏的声音。它集成了Whisper、BigVGAN等技术,提高了抗噪性和音质。项目面向深度学习入门者,需要Python和PyTorch基础。目前不支持实时转换,训练需要至少6GB显存。
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。
Make-An-Audio - 将文本转换为高保真音频的开源扩散模型
GithubMake-An-Audio人工智能开源项目扩散模型文本转音频音频生成
Make-An-Audio是一个开源的文本到音频生成项目，基于条件扩散概率模型。该项目能够从文本等多种模态生成高保真音频，支持文本到音频、音频到音频等多种任务。项目提供了预训练模型和简单的命令行操作，方便用户生成自定义音频。此外，项目还包含了详细的训练和评估流程，以及与其他模型的性能比较。
HomerSimpson2333333 - 通过RVC模型实现音频格式转换和加载
GithubHomerSimpson2333333HuggingfaceJuuxnscrapRVCaudio-to-audio开源项目模型模型转换
HomerSimpson2333333项目使用RVC模型提供音频转换和加载功能。该模型于2023年7月发布，能够将音频文件转换为指定格式，适合多种音频处理场景，并与GitHub上的rvc-runpod项目兼容，具备高效和稳定性。
bigvsan - GAN神经声码器结合切片对抗网络的创新音频生成模型
BigVSANGANGithub开源项目深度学习神经声码器语音合成
BigVSAN项目结合GAN神经声码器和切片对抗网络，旨在提高音频生成质量。该项目基于LibriTTS数据集训练，提供预训练模型及完整的代码实现。包括训练、评估和推理功能，并附有详细使用说明。在多项客观评估指标中，BigVSAN展现出优秀性能，为语音合成技术开辟新方向。
TTS - 高性能文本到语音生成库，支持多语言
GithubMozillaTTSText-to-Speech多语言支持开源项目预训练模型
TTS库基于最新研究成果，提供高效的文本到语音生成技术，实现了训练便捷、速度快、质量高的最佳平衡。该库包括预训练模型和数据集质量评估工具，已被广泛应用于20多种语言的产品和研究项目。支持多说话人TTS、快速模型训练、多GPU训练，并兼容PyTorch、TensorFlow和TFLite等多种平台。
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