SoundStorm

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。

端到端的文本到语音模型，可提高语音质量和训练速度。它直接整合了音高和能量等语音变化信息，通过消除教师蒸馏并实现更快、更高质量的语音合成，从而改进了先前非自回归模型。FastSpeech 2 是一个端到端的文本到语音模型，可提高语音质量和训练速度。它直接整合了音高和能量等语音变化信息，通过消除教师蒸馏并实现更快、更高质量的语音合成，从而改进了先前非自回归模型。

自回归生成式 AI 模型，可根据描述性文本标题创建音频样本。它解决了音频生成中的挑战，例如分离声源、处理现实世界噪声以及文本标注稀缺的问题。该模型在学习到的离散音频表示上运行，以实现高保真输出。AudioGen 是一个自回归生成式 AI 模型，可根据描述性文本标题创建音频样本。它解决了音频生成中的挑战，例如分离声源、处理现实世界噪声以及文本标注稀缺的问题。该模型在学习到的离散音频表示上运行，以实现高保真输出。

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。

探索由 DiffWave 提供支持的音频合成演示，DiffWave 是一款多功能扩散模型。此资源展示了神经声码、类别条件生成、无条件波形创建和语音去噪能力。它提供了音频样本，并深入介绍了模型在各种数据集和条件下的性能，突出了其灵活性。

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。

芝麻 CSM — 语音生成模型

AI 模型

对话式语音模型，能够从文本和音频输入生成音频代码。它利用 Llama 主干，旨在用于研究和教育目的，促进 AI 技术的负责任使用。芝麻 CSM 是一个对话式语音模型，能够从文本和音频输入生成音频代码。它利用 Llama 主干，旨在用于研究和教育目的，促进 AI 技术的负责任使用。