懂AI

StyleTTS学习资料汇总 - 自然多样化的文本转语音生成模型

RayRay
StyleTTS文本到语音自然语言处理情感语调语音合成Github开源项目

StyleTTS

StyleTTS简介

StyleTTS是由Yinghao Aaron Li、Cong Han和Nima Mesgarani开发的一个基于风格的文本转语音(TTS)生成模型。它能够从参考语音中合成具有自然韵律的多样化语音,在单发音人和多发音人数据集上的主观测试中显著优于现有最先进的模型。

StyleTTS的主要特点包括:

  • 使用新型的可转移单调对齐器(TMA)和持续时间不变数据增强方案
  • 通过对说话风格的自监督学习,可以合成与任何给定参考语音具有相同韵律和情感基调的语音
  • 无需显式标记韵律和情感类别

相关资源

🔗 GitHub仓库

📄 论文

🔊 音频样本

安装使用

  1. 环境要求:Python >= 3.7

  2. 克隆代码仓库:

git clone https://github.com/yl4579/StyleTTS.git
cd StyleTTS
  1. 安装依赖:
pip install SoundFile torchaudio munch torch pydub pyyaml librosa git+https://github.com/resemble-ai/monotonic_align.git
  1. 下载并准备数据集(如LJSpeech),上采样至24kHz

模型训练

训练分为两个阶段:

# 第一阶段训练
python train_first.py --config_path ./Configs/config.yml

# 第二阶段训练  
python train_second.py --config_path ./Configs/config.yml

模型会以"epoch_1st_%05d.pth"和"epoch_2nd_%05d.pth"的格式保存。

推理测试

请参考inference.ipynb进行推理测试。

预训练模型下载链接:

将模型解压到Models和Vocoder文件夹下,并安装phonemizer库即可运行推理演示。

更多资源

  • 文本对齐器和音高提取器模型位于Utils文件夹
  • 可以自定义梅尔谱图预处理方法,但需要重新训练对应的文本对齐器和音高提取器
  • 新的文本对齐器训练代码:AuxiliaryASR
  • 新的音高提取器训练代码:PitchExtractor

StyleTTS为研究人员和开发者提供了一个强大的TTS框架,欢迎探索使用!如有任何问题,可以在GitHub仓库中提issue讨论。

编辑推荐精选

Vecbase

Vecbase

你的AI Agent团队

Vecbase 是专为 AI 团队打造的智能工作空间，将数据管理、模型协作与知识沉淀整合于一处。算法、产品与业务在同一平台无缝协同，让从数据到 AI 应用的落地更快一步。

音述AI

音述AI

全球首个AI音乐社区

音述AI是全球首个AI音乐社区，致力让每个人都能用音乐表达自我。音述AI提供零门槛AI创作工具，独创GETI法则帮助用户精准定义音乐风格，AI润色功能支持自动优化作品质感。音述AI支持交流讨论、二次创作与价值变现。针对中文用户的语言习惯与文化背景进行专门优化，支持国风融合、C-pop等本土音乐标签，让技术更好地承载人文表达。

QoderWork

QoderWork

阿里Qoder团队推出的桌面端AI智能体

QoderWork 是阿里推出的本地优先桌面 AI 智能体，适配 macOS14+/Windows10+，以自然语言交互实现文件管理、数据分析、AI 视觉生成、浏览器自动化等办公任务，自主拆解执行复杂工作流，数据本地运行零上传，技能市场可无限扩展，是高效的 Agentic 生产力办公助手。

lynote.ai

lynote.ai

一站式搞定所有学习需求

不再被海量信息淹没，开始真正理解知识。Lynote 可摘要 YouTube 视频、PDF、文章等内容。即时创建笔记，检测 AI 内容并下载资料，将您的学习效率提升 10 倍。

AniShort

AniShort

为AI短剧协作而生

专为AI短剧协作而生的AniShort正式发布，深度重构AI短剧全流程生产模式，整合创意策划、制作执行、实时协作、在线审片、资产复用等全链路功能，独创无限画布、双轨并行工业化工作流与Ani智能体助手，集成多款主流AI大模型，破解素材零散、版本混乱、沟通低效等行业痛点，助力3人团队效率提升800%，打造标准化、可追溯的AI短剧量产体系，是AI短剧团队协同创作、提升制作效率的核心工具。

seedancetwo2.0

seedancetwo2.0

能听懂你表达的视频模型

Seedance two是基于seedance2.0的中国大模型，支持图像、视频、音频、文本四种模态输入，表达方式更丰富，生成也更可控。

nano-banana纳米香蕉中文站

nano-banana纳米香蕉中文站

国内直接访问，限时3折

输入简单文字,生成想要的图片，纳米香蕉中文站基于 Google 模型的 AI 图片生成网站，支持文字生图、图生图。官网价格限时3折活动

扣子-AI办公

扣子-AI办公

职场AI，就用扣子

AI办公助手，复杂任务高效处理。办公效率低？扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作，覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应，生活工作无缝切换，提升50%效率！

堆友

堆友

多风格AI绘画神器

堆友平台由阿里巴巴设计团队创建，作为一款AI驱动的设计工具，专为设计师提供一站式增长服务。功能覆盖海量3D素材、AI绘画、实时渲染以及专业抠图，显著提升设计品质和效率。平台不仅提供工具，还是一个促进创意交流和个人发展的空间，界面友好，适合所有级别的设计师和创意工作者。

图像生成热门AI工具AI图像AI反应堆AI工具箱AI绘画GOAI艺术字堆友相机
码上飞

码上飞

零代码AI应用开发平台

零代码AI应用开发平台，用户只需一句话简单描述需求，AI能自动生成小程序、APP或H5网页应用，无需编写代码。

下拉加载更多