懂AI
WhisperSpeech

WhisperSpeech

多语言支持的开源文本转语音系统，功能强大并易于定制

WhisperSpeech是基于开源Whisper框架开发的文本至语音系统，提供了商业级安全的语音合成解决方案。当前支持英语LibreLight数据集，并计划拓展到多语言支持。用户可通过在线Colab平台体验其高效的语音合成和声音克隆功能。

WhisperSpeech文本转语音多语言支持开源模型语音克隆Github开源项目
GitHubHugging Face论文

WhisperSpeech 项目介绍

项目背景

WhisperSpeech 是一个开源的文本到语音（TTS）系统，该项目通过反转 Whisper 模型来实现语音合成。之前该项目被称为 spear-tts-pytorch。其目标是创建一个像 Stable Diffusion 一样强大且易于定制的语音生成模型。该项目保证了其使用的语音录音都是合法授权的，并且所有的代码都是开源的，这确保了模型的商业应用安全。

现阶段进展

目前，WhisperSpeech 模型基于英语的 LibreLight 数据集合进行了训练。未来版本中，开发者计划扩展到多语言支持，因为 Whisper 和 EnCodec 都具备多语言能力。

  • 2024年1月29日更新：成功训练了一个 tiny S2A 模型，支持英语、波兰语和法语的数据集，并能实现法语的语音克隆。这表明即使是没有得到充分支持的语言，也有可能在单一语义令牌模型下获得支持。

  • 2024年1月18日更新：在推理性能上进行了优化，通过集成 torch.compile、添加缓存机制，提升了模型速度，可以以超12倍的速度实时运行。此外，模型还支持混合语言合成，如英语和波兰语的无缝转换，并可以进行语音克隆。

  • 2024年1月10日更新：推出了新的 SD S2A 模型，速度更快且生成语音的质量没有下降，同时引入了基于参考音频文件进行语音克隆的示例。

  • 2023年12月10日更新：发布了支持多语言（英语和波兰语）的三模型，提供了英语女性声音和波兰语男性声音示例。

模型下载与运行

用户可以通过 Google Colab 链接使用或下载 WhisperSpeech 预训练模型与数据集。如果需要手动下载或者从头开始训练模型，相关资源可以在 HuggingFace 上找到。

项目路线图

  • 收集更大的情感语音数据集。
  • 找到生成情感和韵律的调控方法。
  • 创建一个社区合作项目，以收集多语言的免费授权语音。
  • 训练最终的多语言模型以实现更广泛的应用。

技术架构

WhisperSpeech 的技术架构类似于 Google 的 AudioLM 和 SPEAR TTS以及 Meta 的 MusicGen。该项目利用了以下开源模型：

  • Whisper: 用于生成语义令牌及转录。
  • EnCodec: 用于声学建模。
  • Vocos: 用作高质量的声码器。

开源贡献与支持

该项目得到了 Collabora、LAION 以及 Jülich 超级计算中心等多个机构的支持，这为模型开发和训练提供了重要资源。同时，许多开源项目和研究论文也为该项目提供了技术支撑。

咨询与合作

团队提供开放源码和专有 AI 项目的咨询服务。有兴趣者可以通过 Collabora 官网或 Discord 联系团队。

通过以上信息，用户可以了解 WhisperSpeech 项目的整体进展及其应用潜力。在快速发展的人工智能语音合成领域，WhisperSpeech 提供了一个有力的开源解决方案。

编辑推荐精选

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。

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
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。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。

下拉加载更多