Project Icon

voicebox-pytorch

新一代MetaAI文本到语音模型Voicebox的Pytorch实现

该项目实现了MetaAI的最新文本到语音模型Voicebox,利用旋转嵌入和自适应归一化技术提升模型效果。还融合了SpearTTS和Conditioned Flow Matching等技术,提高训练和采样效率。项目获得Imminent Grant资助,致力于推动开源文本到语音技术的发展,并感谢各大赞助商的支持。用户可以通过pip install命令轻松安装和使用该项目。

StableTTS - 轻量级流匹配和DiT驱动的新一代TTS模型
GithubStableTTSTTS模型人工智能开源项目语音合成
StableTTS是一款开源的轻量级中英文语音合成模型,参数量仅为1000万。该项目创新性地结合了流匹配和扩散卷积Transformer技术,灵感源自Stable Diffusion 3。StableTTS提供预训练模型,支持推理、微调和WebUI应用。其独特的模型架构包含扩散卷积Transformer块和流匹配解码器,旨在提升语音合成质量。项目还提供了便捷的训练和推理工具,以及Hugging Face在线演示平台。
ollama-voice - 离线语音交互AI助手 集成语音识别对话和合成功能
Githubollama-voice大型语言模型开源项目文字转语音离线模式语音识别
ollama-voice是一个集成Whisper语音识别、Ollama大语言模型和pyttsx3文本转语音技术的开源项目。它创建了一个完全离线的语音交互AI助手,支持本地语音识别、自然语言处理和语音合成。用户通过按住空格键即可与AI对话,适用于需要隐私保护或离线环境的语音交互场景。
tetos - 支持多家顶尖服务提供商的语音合成接口
APIGithubPythonTeTos多平台支持开源项目文本转语音
TeTos通过一个简洁的命令行接口,支持包括Google、Azure和OpenAI在内的多家著名TTS服务。安装简易,通过几行命令即可集成使用,为需多语言支持的开发者和企业带来便利。
Text2Video - 文本生成视频模型
GithubText2Video开源项目深度学习生成对抗网络视频合成语音合成
Text2Video采用深度学习技术,通过建立音素姿势字典与训练生成对抗网络,从文本生成视频,该技术相较于传统音频驱动的视频生成方法,具有更少的数据需求、更高的灵活性和更低的时间成本。在标准数据集上的广泛测试证明了其显著的效果和优势。
MASR - 基于Pytorch的开源自动语音识别框架
GithubMASRPytorch开源项目流式识别语音识别预训练模型
MASR是基于Pytorch开发的自动语音识别框架,支持流式和非流式识别。框架集成了多种模型,如deepspeech2、conformer等,可用于短语音和长语音识别。MASR具备集束搜索和贪心解码功能,提供预训练模型,支持多设备部署。项目设计简洁实用,支持中英文识别,并配有完整文档。
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。
parler-tts-mini-v1 - 通过文本提示控制的轻量级语音合成模型
GithubHuggingfaceParler-TTS人工智能开源项目文本转语音模型自然语言处理语音合成
Parler-TTS Mini v1是一个经过45K小时音频数据训练的轻量级文本转语音模型。该模型能生成高质量、自然的语音,并通过简单的文本提示控制语音特征,包括性别、背景噪音、语速、音高和混响等。它支持随机语音和特定说话人语音生成,是开源Parler-TTS项目的组成部分,为社区提供TTS训练资源和数据集预处理工具。
pyht - 将文本实时转换为高质量人声音频的Python SDK
APIGithubPlayHTPython SDK开源项目文字转语音语音合成
pyht是基于PlayHT文本转语音API的Python SDK,能将文本实时转换为高质量人声音频流。该SDK支持预建和自定义声音,兼容WAV、MP3等多种音频格式。pyht安装简便,提供API接口和命令行演示,适用于虚拟助手、有声读物和无障碍服务等多种应用场景。此SDK需要Python 3.8+环境,依赖numpy和simpleaudio库。用户可通过pip快速安装,使用时需提供PlayHT的用户ID和API密钥。pyht提供了流式文本转语音功能,支持实时音频生成,为开发者提供了灵活的文本转语音解决方案。
XTTS-v2 - 多语言语音克隆与生成的开源解决方案
CoquiGithubHuggingfaceⓍTTS声音克隆多语言支持开源项目模型语音生成
XTTS-v2是一个开源的语音生成模型,通过6秒音频实现跨语言声音克隆。支持17种语言,包括新增的匈牙利语和韩语。模型优化了说话人条件设置,提升了音质和韵律表现。适用于文本到语音转换、语音克隆等场景,采用Coqui公共模型许可证。
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

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。

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