audio-ai-timeline

audio-ai-timeline

音频AI领域2023年重大进展及模型概览

Audio AI Timeline项目追踪2023年音频生成领域AI模型进展。涵盖MusicLM、AudioLDM 2等重要模型,展示文本到音频、音乐生成和语音合成技术发展。项目记录模型发布日期、论文、代码和训练资源,为音频AI领域研究者和开发者提供参考。

AI音频生成文本转语音音乐生成深度学习扩散模型Github开源项目

音频人工智能时间线

在这里,我们将从2023年开始,追踪最新的基于波形的音频生成人工智能模型!

2023

日期发布 [样本]论文代码训练模型
11.14Mustango: 面向可控文本到音乐生成arXivGitHubHugging Face
11.13Music ControlNet: 多时变控制的音乐生成arXiv--
11.02E3 TTS: 简易端到端扩散模型文本转语音arXiv--
10.01UniAudio: 面向通用音频生成的音频基础模型arXivGitHub-
09.24VoiceLDM: 带环境上下文的文本转语音arXivGitHub-
09.05PromptTTS 2: 用文本提示描述和生成声音arXiv--
08.14SpeechX: 作为多功能语音转换器的神经编解码语言模型arXiv--
08.10AudioLDM 2: 通过自监督预训练学习整体音频生成arXivGitHubHugging Face
08.09JEN-1: 使用全方位扩散模型的文本引导通用音乐生成arXiv--
08.03MusicLDM: 使用节拍同步混合策略增强文本到音乐生成的新颖性arXivGitHub-
07.14Mega-TTS 2: 使用任意长度语音提示的零样本文本转语音arXiv--
07.10VampNet: 通过掩蔽声学标记建模的音乐生成arXivGitHub-
06.22AudioPaLM: 能说能听的大型语言模型arXiv--
06.19Voicebox: 大规模文本引导多语言通用语音生成PDFGitHub-
06.08MusicGen: 简单且可控的音乐生成arXivGitHubHugging Face Colab
06.06Mega-TTS: 大规模零样本文本转语音与内在归纳偏置arXiv--
06.01Vocos: 缩小时域和傅里叶域神经声码器在高质量音频合成中的差距arXivGitHub-
05.29Make-An-Audio 2: 时间增强的文本到音频生成arXiv--
05.25MeLoDy: 高效神经音乐生成arXiv--
05.18CLAPSpeech: 通过对比语言-音频预训练从文本上下文学习韵律arXiv--
05.18SpeechGPT: 赋予大型语言模型内在跨模态对话能力arXivGitHub-
05.16SoundStorm: 高效并行音频生成arXivGitHub (非官方)-
05.03从文本描述生成多样化和生动的声音arXiv--
05.02长期节奏视频配乐器arXivGitHub-
04.24TANGO: 使用指令调优LLM和潜在扩散模型的文本到音频生成PDFGitHubHugging Face
04.18NaturalSpeech 2: 潜在扩散模型是自然的零样本语音和歌唱合成器arXivGitHub (非官方)-
04.10Bark: 文本提示生成音频模型-GitHubHugging Face Colab
04.03AUDIT: 使用潜在扩散模型按指令编辑音频arXiv--
03.08VALL-E X: 用自己的声音说外语:跨语言神经编解码语言建模arXiv--
02.27我听到你的真实色彩:图像引导的音频生成arXivGitHub-
日期项目名称和链接论文链接代码仓库在线演示
------------------------------------------
02.08Noise2Music: 基于扩散模型的文本条件音乐生成arXiv--
02.04多源扩散模型用于同步音乐生成和分离arXivGitHub-
01.30SingSong: 从歌唱生成音乐伴奏arXiv--
01.30AudioLDM: 基于潜在扩散模型的文本到音频生成arXivGitHubHugging Face
01.30Moûsai: 基于长上下文潜在扩散的文本到音乐生成arXivGitHub-
01.29Make-An-Audio: 基于提示增强扩散模型的文本到音频生成PDF--
01.28Noise2Music---
01.27RAVE2 [RAVE1样本]arXivGitHub-
01.26MusicLM: 从文本生成音乐arXivGitHub (非官方)-
01.18Msanii: 低成本高保真音乐合成arXivGitHubHugging Face Colab
01.16ArchiSound: 基于扩散的音频生成arXivGitHub-
01.05VALL-E: 神经编解码语言模型作为零样本文本到语音合成器arXivGitHub (非官方) (演示)-

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