Unofficial Parallel WaveGAN Demo

WaveGlow

AI GitHub リポジトリ

NVIDIAによるテキストから音声合成のためのオープンソースのフローベースのニューラルネットワークです。メルスペクトログラムを与えると、自動回帰ステップなしで直接音声オーディオを生成します。単一の尤度ベースのコスト関数で訓練されています。PyTorchコードと事前訓練済みモデルは、音声合成ボコーダーを構築またはベンチマークする研究者やエン…WaveGlowは、NVIDIAによるテキストから音声合成のためのオープンソースのフローベースのニューラルネットワークです。メルスペクトログラムを与えると、自動回帰ステップなしで直接音声オーディオを生成します。単一の尤度ベースのコスト関数で訓練されています。PyTorchコードと事前訓練済みモデルは、音声合成ボコーダーを構築またはベンチマークする研究者やエン…

F5-TTS: フェアリーテイラー音声合成

AI GitHub リポジトリ

フローマッチング技術を使用して流暢で忠実な音声を生成するために設計された音声合成ツールです。開発者には、高品質で自然な音声出力を作成するための公式コードが提供されます。F5-TTSは、フローマッチング技術を使用して流暢で忠実な音声を生成するために設計された音声合成ツールです。開発者には、高品質で自然な音声出力を作成するための公式コードが提供されます。

効率的かつ高忠実度の音声合成を実現する敵対的生成ネットワークです。オーディオ内の周期的なパターンをモデル化してサンプル品質を向上させ、高速で人間のような品質を達成します。このモデルは、単一話者、未知の話者、エンドツーエンド合成をサポートし、CPU向けの小型フットプリント版も提供しています。HiFi-GANは、効率的かつ高忠実度の音声合成を実現する敵対的生成ネットワークです。オーディオ内の周期的なパターンをモデル化してサンプル品質を向上させ、高速で人間のような品質を達成します。このモデルは、単一話者、未知の話者、エンドツーエンド合成をサポートし、CPU向けの小型フットプリント版も提供しています。

StyleGAN-XL

AI GitHub リポジトリ

大規模で多様なデータセットから高解像度画像を生成するためのAIモデルです。StyleGANアーキテクチャを拡張し、画像合成の品質と多様性を向上させます。このプロジェクトでは、トレーニング、サンプル生成、画像反転および編集のためのコードを提供します。StyleGAN-XLは、大規模で多様なデータセットから高解像度画像を生成するためのAIモデルです。StyleGANアーキテクチャを拡張し、画像合成の品質と多様性を向上させます。このプロジェクトでは、トレーニング、サンプル生成、画像反転および編集のためのコードを提供します。

Audiocraft

AI GitHub リポジトリ

オーディオ生成および処理のためのPyTorchライブラリです。制御可能な音楽生成のためのMusicGenや、テキストからサウンドへのAudioGenなどの最先端モデルを提供します。このライブラリには、オーディオ圧縮器であるEnCodecと、研究用のトレーニングコードも含まれています。Audiocraftは、オーディオ生成および処理のためのPyTorchライブラリです。制御可能な音楽生成のためのMusicGenや、テキストからサウンドへのAudioGenなどの最先端モデルを提供します。このライブラリには、オーディオ圧縮器であるEnCodecと、研究用のトレーニングコードも含まれています。

OpenAI Whisper

AI GitHub リポジトリ

WhisperはOpenAIが開発した堅牢で汎用的な音声認識モデルです。多言語音声認識、翻訳、言語識別に優れています。多様な音声データでトレーニングされており、従来の多段階パイプラインを統一されたシーケンス・トゥ・シーケンスアプローチで置き換える、様々な音声処理タスクのための単一モデルを提供します。

Voicemaker Text to Speech

AI アプリ

#10

130言語で2,000以上の超リアルな音声を提供するAI搭載テキスト読み上げコンバーターです。ビデオ、プレゼンテーションなど、様々なコンテンツ作成ニーズに最適なTTSオーディオファイルをMP3およびWAV形式で簡単に生成・ダウンロードできます。Voicemakerは、130言語で2,000以上の超リアルな音声を提供するAI搭載テキスト読み上げコンバーターです。ビデオ、プレゼンテーションなど、様々なコンテンツ作成ニーズに最適なTTSオーディオファイルをMP3およびWAV形式で簡単に生成・ダウンロードできます。

Gandr

AI アプリ

#83

無制限の同時ストリームをフラットレートで提供するテキスト読み上げおよび音声クローン作成プラットフォームです。23言語のリアルタイムオーディオをサポートしており、オーディオブック、吹き替え、eラーニングなどに最適です。Gandrは、無制限の同時ストリームをフラットレートで提供するテキスト読み上げおよび音声クローン作成プラットフォームです。23言語のリアルタイムオーディオをサポートしており、オーディオブック、吹き替え、eラーニングなどに最適です。