懂AI
MelNet

MelNet

MelNet音频频域生成模型的全面实现

MelNet项目提供了一个在音频频域中生成模型的实现，支持无条件与条件音频生成。该技术兼容多个数据集，包括Blizzard和VoxCeleb2，支持灵活的训练配置，同时实现多GPU训练与TTS合成，不断更新以支持更多音频处理功能。它为致力于音频生成技术研究的开发者和研究人员提供了有力工具。

MelNet音频生成Python条件生成TTS合成Github开源项目
GitHub论文

MelNet 项目介绍

MelNet 是一个音频生成模型，通过在频域内进行生成，旨在为音频合成领域带来革命性的变革。此项目主要是在 PyTorch 框架下对这一模型进行实现。

项目环境准备

在实施 MelNet 项目之前，用户需确保以下环境要求：

  • 使用 Python 3.6.8 或 3.7.4 版本。
  • PyTorch 应使用 1.2.0 或 1.3.0 版本。
  • 需要通过 pip install -r requirements.txt 安装所有必要的Python包。

如何进行模型训练

数据集准备

项目支持多种音频数据集进行模型训练，例如 Blizzard、VoxCeleb2 和 KSS。这些数据集有对应的 YAML 配置文件存放在 config/ 目录下。用户可以根据提供的示例，为其他数据集编写自己的 YAML 文件。

模型支持无条件训练，只要数据集存在一个一致的文件扩展名，并在 YAML 文件中通过 data.extension 指定即可。此外，条件训练目前仅适用于 KSS 数据集和部分 Blizzard 数据集子集。

运行训练代码

训练模型的命令如下：

python trainer.py -c [配置文件路径] -n [运行名称] -t [层级号] -b [批次大小] -s [TTS]
  • 每个层级可以单独训练。由于层级越高，模型复杂度越大（Tier 1 除外），需相应调整批量大小。
  • Blizzard 数据集的第 6 层即使将批量大小调整为 1，也无法在 16GB 的 P100 GPU 上正常运行。
  • -s 参数用于指定是否训练 TTS 层。如非 Tier 1，系统会忽略此标志。警告：此标志无论后续跟随什么内容都会被视为 True。

如何进行声音采样

准备检查点

采样所需的模型检查点需要存放在 chkpt/ 目录中。同时，用户需在 config/ 目录下提供名为 inference.yaml 的配置文件，文件中需指出层级数量、检查点名称，以及是否为条件生成。

运行采样代码

采样时需运行如下命令：

python inference.py -c [配置文件路径] -p [推断文件路径] -t [生成的梅尔频谱图时间步长] -n [样本名称] -i [条件生成输入句子]
  • 时间步长指梅尔频谱图的长度。时间步长和实际秒数的比率大致是 [采样率] : [FFT 的跳步长度]。
  • -i 参数为可选参数，仅在条件生成时需要。需要使用 "" 包裹句子，并以 . 结束。
  • 当前无条件生成和条件生成均不支持基于现有数据进行的扩展生成（被称为 primed generation）。

项目进展与成员

目前，MelNet 项目已实现了上采样程序、GMM 采样与损失函数、无条件音频生成、TTS 合成、Tensorboard 日志记录以及多 GPU 训练等功能，唯有 primed generation 尚未完成。

项目由 Seungwon Park、June Young Yi、Yoonhyung Lee 和 Joowhan Song 于 Deepest Season 6 共同完成，且采用 MIT 许可证授权。

编辑推荐精选

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
问小白

问小白

全能AI智能助手，随时解答生活与工作的多样问题

问小白，由元石科技研发的AI智能助手，快速准确地解答各种生活和工作问题，包括但不限于搜索、规划和社交互动，帮助用户在日常生活中提高效率，轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。

讯飞智文

讯飞智文

一键生成PPT和Word，让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级，全面对标OpenAI o1

科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。

咔片PPT

咔片PPT

AI助力，做PPT更简单！

咔片是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文，一站式创作，让内容运营更高效

讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台，公文写作神器

AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。

下拉加载更多