AudioGen

利用潜在扩散模型进行文本到音频生成的框架。它将各种模态转换为统一的“音频语言”（LOA），用于生成语音、音乐和音效。这种方法支持上下文学习，并利用自监督预训练模型进行多功能音频创作。AudioLDM 是一个利用潜在扩散模型进行文本到音频生成的框架。它将各种模态转换为统一的“音频语言”（LOA），用于生成语音、音乐和音效。这种方法支持上下文学习，并利用自监督预训练模型进行多功能音频创作。

用于高效非自回归音频生成的 AI 模型。它能以比以往方法快两个数量级的速度生成高质量音频，同时保持语音和声学条件的一致性。它能够合成自然的对话片段，并可控制语音内容、说话人声音和说话人轮次。SoundStorm 是一款用于高效非自回归音频生成的 AI 模型。它能以比以往方法快两个数量级的速度生成高质量音频，同时保持语音和声学条件的一致性。它能够合成自然的对话片段，并可控制语音内容、说话人声音和说话人轮次。

文本到音频生成系统，采用提示增强的扩散模型。它通过伪提示增强和频谱图自编码器来解决数据稀缺和音频复杂性的问题。该系统取得了最先进的成果，并提供了从各种输入生成高清、高保真音频的可控性。Make-An-Audio 是一个文本到音频生成系统，采用提示增强的扩散模型。它通过伪提示增强和频谱图自编码器来解决数据稀缺和音频复杂性的问题。该系统取得了最先进的成果，并提供了从各种输入生成高清、高保真音频的可控性。

Audiocraft

AI GitHub 仓库

用于深度学习音频生成和处理的 PyTorch 库。它提供了像 MusicGen（用于可控音乐生成）和 AudioGen（用于文本到声音）这样的最先进模型。该库还包含 EnCodec 音频压缩器和用于研究的训练代码。Audiocraft 是一个用于深度学习音频生成和处理的 PyTorch 库。它提供了像 MusicGen（用于可控音乐生成）和 AudioGen（用于文本到声音）这样的最先进模型。该库还包含 EnCodec 音频压缩器和用于研究的训练代码。

能够生成高质量、具有长期一致性的音频的 AI 模型。它将音频生成视为一项语言建模任务，将音频映射到离散的 token。该框架在生成自然连贯的语音和音乐续写方面表现出色，即使是针对未曾见过的说话人或风格。AudioLM 是一个能够生成高质量、具有长期一致性的音频的 AI 模型。它将音频生成视为一项语言建模任务，将音频映射到离散的 token。该框架在生成自然连贯的语音和音乐续写方面表现出色，即使是针对未曾见过的说话人或风格。

高效、高保真的生成对抗网络，用于语音合成。它通过建模音频中的周期性模式来提升样本质量，以极快的速度实现接近人声的质量。该模型支持单说话人、未见过的说话人以及端到端合成，并提供适用于 CPU 的轻量级版本。HiFi-GAN 是一种高效、高保真的生成对抗网络，用于语音合成。它通过建模音频中的周期性模式来提升样本质量，以极快的速度实现接近人声的质量。该模型支持单说话人、未见过的说话人以及端到端合成，并提供适用于 CPU 的轻量级版本。

Voicebox

AI GitHub 仓库

开源的 AI 语音工作室，允许用户克隆、听写和创建语音项目。它提供了一个语音合成和处理的平台，非常适合开发人员和音频工程师。Voicebox 是一个开源的 AI 语音工作室，允许用户克隆、听写和创建语音项目。它提供了一个语音合成和处理的平台，非常适合开发人员和音频工程师。

AI 模型，可以根据文本描述生成高保真音乐。它可以生成长达 24 kHz 的音乐，并在数分钟内保持一致性，在音频质量和文本遵循度方面优于之前的系统。它还支持旋律条件生成。MusicLM 是一个 AI 模型，可以根据文本描述生成高保真音乐。它可以生成长达 24 kHz 的音乐，并在数分钟内保持一致性，在音频质量和文本遵循度方面优于之前的系统。它还支持旋律条件生成。