#音频生成

Bark是Suno开发的基于transformer的文本转音频AI模型，能生成逼真的多语言语音、音乐、背景音和简单音效，还可模拟笑声、叹息等非语言交流。该模型提供预训练检查点供研究使用，输出未经审查。研究人员可通过Transformers或原始Bark库在本地运行，灵活易用。Bark代表了文本转语音技术的重要进展，为相关研究和应用提供了新的可能性。

bark-small是Suno开发的基于transformer的文本转音频模型。它可生成高度逼真的多语言语音、音乐、背景噪音和简单音效，还能产生笑声、叹息等非语言交流。该模型支持多种语言，主要用于研究目的。用户可通过Hugging Face Transformers库或原始Bark库运行推理，生成24kHz的语音波形。bark-small提供了便捷的使用方法，适合进行文本转语音相关研究和实验。

Stable Audio Open 1.0是Stability AI推出的开源音频生成模型，通过自编码器、T5文本嵌入和DiT扩散模型架构，将文本转换为最长47秒的44.1kHz立体声音频。模型基于48万条音频数据训练，在音效和环境音生成方面表现突出，支持stable-audio-tools和diffusers两种调用方式。现阶段仅支持英文提示词输入，不具备人声生成能力。

Parler-TTS Large v1是一个基于22亿参数、45K小时音频数据训练的文本转语音模型。通过文本提示可控制语音的性别、噪音、语速等特征，内置34个预设发音人。项目开源了完整训练资源和数据处理代码，采用Apache 2.0许可证发布。

BigVGAN是一个基于PyTorch的神经声码器项目，通过大规模数据训练实现音频合成。该模型支持44kHz采样率和512倍上采样，集成CUDA推理加速，可处理语音、环境声音和乐器等音频。项目提供多种预训练模型，覆盖不同采样率和mel频带参数配置，适用于多样化的音频生成需求。