懂AI
dc_tts

dc_tts

基于深度卷积网络的高效文本到语音转换模型

dc_tts，一个基于TensorFlow的文本到语音转换模型，使用深度卷积网络和引导注意力机制进行设计。项目不仅还原了相关学术论文，还对不同声音数据进行了深入研究，支持多种语言和数据集，提供完善的训练及预处理教程以及预训练模型，适用于学术研究和实际应用场景。

DC-TTSTensorFlow文本转语音训练模型语音样本Github开源项目
GitHub论文

项目简介

dc_tts 项目是一个基于 TensorFlow 的文本到语音转换（TTS）模型的实现，旨在探索深度卷积网络与引导注意力机制结合下的高效语音合成方法。这个项目不仅仅是对已有论文的复现，还希望从中汲取对多种声音项目的深刻理解。

项目需求

要运行 dc_tts 模型，需要以下软件包：

  • NumPy >= 1.11.1
  • TensorFlow >= 1.3 （因为从这个版本开始，tf.contrib.layers.layer_norm 的 API 发生了变化）
  • librosa
  • tqdm
  • matplotlib
  • scipy

数据集

dc_tts 项目使用了四个不同的语音数据集来训练模型，这些数据集分别是：

  1. LJ Speech 数据集：这是一个被广泛用作 TTS 任务基准的数据集，包含 24 小时高质量的样本录音。
  2. Nick Offerman 的有声读物：该数据集包含 18 小时的语音样本，用于测试模型在较小规模且多变的数据条件下的学习能力。
  3. Kate Winslet 的有声读物：这是一个时长 5 小时的数据集，与 Nick 的数据集用法相似。
  4. KSS 数据集：这是一个韩语单人说话者语音数据集，总长度超过 12 小时。

训练流程

项目的训练流程分为以下几个步骤：

  • 步骤 0：下载 LJ Speech 数据集 或准备自己的数据。
  • 步骤 1：在 hyperparams.py 中调整超参数。如果需要预处理数据，设置 prepro=True。
  • 步骤 2：运行 python train.py 1 来训练 Text2Mel 模块。如果预处理数据，则先运行 python prepro.py。
  • 步骤 3：运行 python train.py 2 来训练 SSRN 模块。

如果有多于一张 GPU 卡，可以同时进行步骤 2 和步骤 3。

训练曲线和注意力图

项目包含了训练过程中的曲线图，展示了模型的训练进展。另外，通过引导注意力机制，模型的注意力图从开始阶段就显示出良好的单调性，这有助于保持对齐稳定性。

语音合成和生成示例

项目基于 哈佛句子 生成语音样本，感兴趣的用户可以运行 synthesize.py 并查看 samples 文件夹中的文件。

生成的样本链接可以在项目文档中找到，包括不同数据集下的样本，比如 LJ、Nick 和 Kate 数据集的多种迭代次数下的输出。

预训练模型和备注

用户可以从特定链接下载用于 LJ 数据集的预训练模型。项目开发者也分享了一些探索期间的经验，如增加层归一化来让模型正常工作，调整学习率以便适应模型训练，尽管没有如论文中声称的那样做到在一天内完成训练，但该模型相较 Tacotron 的确用时更短。开发者还指出引导注意力在一开始就提供了较好的对齐效果。

此外，开发者建议可以关注其他文本到语音模型，比如 Tacotron 和 Deep Voice 3。

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。

热门AI工具生产力协作转型TraeAI IDE
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。

聊天机器人AI助手热门AI工具AI对话
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。

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

模型训练热门AI工具内容创作智能问答AI开发讯飞星火大模型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。

AI助手热门AI工具AI创作AI辅助写作讯飞绘文内容运营个性化文章多平台分发
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