<img src="https://yellow-cdn.veclightyear.com/835a84d5/33c98f2d-d115-41ff-9fc5-22039bd009d6.png" width="450px"></img>
<img src="https://yellow-cdn.veclightyear.com/835a84d5/bff28fdf-79f5-4096-91f1-278cf74281f3.png" width="450px"></img>
在Pytorch中实现<a href="https://arxiv.org/abs/2304.09116">Natural Speech 2</a>,零样本语音和歌唱合成器
NaturalSpeech 2是一个TTS系统,它利用具有连续潜在向量的神经音频编解码器和具有非自回归生成的潜在扩散模型,实现自然和零样本文本到语音合成
本仓库将使用去噪扩散而非基于分数的SDE,并可能提供阐明版本。它还将在适用的情况下为注意力/transformer组件提供改进。
感谢<a href="https://stability.ai/">Stability</a>和<a href="https://huggingface.co/">🤗 Huggingface</a>慷慨赞助,支持我们研究和开源前沿人工智能
感谢<a href="https://huggingface.co/">🤗 Huggingface</a>提供了出色的accelerate库
感谢<a href="https://github.com/manmay-nakhashi">Manmay</a>提交了音素、音高、持续时间和语音提示编码器的初始代码,以及多语言音素器和音素对齐器!
感谢<a href="https://github.com/manmay-nakhashi">Manmay</a>完成了扩散网络的端到端条件控制连接!
你呢?如果你是一位有抱负的ML/AI工程师或从事TTS领域的工作,并希望为开源最先进的技术做出贡献,那就加入进来吧!
$ pip install naturalspeech2-pytorch
import torch from naturalspeech2_pytorch import ( EncodecWrapper, Model, NaturalSpeech2 ) # 以encodec为例 codec = EncodecWrapper() model = Model( dim = 128, depth = 6 ) # natural speech 扩散模型 diffusion = NaturalSpeech2( model = model, codec = codec, timesteps = 1000 ).cuda() # 模拟原始音频数据 raw_audio = torch.randn(4, 327680).cuda() loss = diffusion(raw_audio) loss.backward() # 对大量原始音频数据重复上述操作... # 然后你可以从你的生成模型中采样,如下所示 generated_audio = diffusion.sample(length = 1024) # (1, 327680)
带条件控制的示例:
import torch from naturalspeech2_pytorch import ( EncodecWrapper, Model, NaturalSpeech2, SpeechPromptEncoder ) # 以encodec为例 codec = EncodecWrapper() model = Model( dim = 128, depth = 6, dim_prompt = 512, cond_drop_prob = 0.25, # 以此概率丢弃提示条件,用于无分类器引导 condition_on_prompt = True ) # natural speech 扩散模型 diffusion = NaturalSpeech2( model = model, codec = codec, timesteps = 1000 ) # 模拟原始音频数据 raw_audio = torch.randn(4, 327680) prompt = torch.randn(4, 32768) # 他们在训练过程中随机截取了音频范围作为提示,最终会自动处理这个问题 text = torch.randint(0, 100, (4, 100)) text_lens = torch.tensor([100, 50 , 80, 100]) # 前向和后向传播 loss = diffusion( audio = raw_audio, text = text, text_lens = text_lens, prompt = prompt ) loss.backward() # 经过充分训练后 generated_audio = diffusion.sample( length = 1024, text = text, prompt = prompt ) # (1, 327680)
或者,如果你想要一个Trainer
类来处理训练和采样循环,只需简单地这样做:
from naturalspeech2_pytorch import Trainer trainer = Trainer( diffusion_model = diffusion, # 上面的扩散模型 + 编解码器 folder = '/path/to/speech', train_batch_size = 16, gradient_accumulate_every = 2, ) trainer.train()
完成感知器然后在ddpm侧进行交叉注意力条件控制
添加无分类器引导,即使论文中没有
完成训练期间的持续时间/音高预测 - 感谢Manmay
确保pyworld计算音高的方法也能工作
就pyworld的使用咨询TTS领域的博士生
如果可用,还提供使用spear-tts文本到语义模块的直接求和条件控制
在ddpm侧添加自条件控制
处理自动切片音频以获取提示,注意编解码器模型允许的最小音频段
确保curtail_from_left适用于encodec,弄清楚他们在做什么
@inproceedings{Shen2023NaturalSpeech2L, title = {NaturalSpeech 2: Latent Diffusion Models are Natural and Zero-Shot Speech and Singing Synthesizers}, author = {Kai Shen and Zeqian Ju and Xu Tan and Yanqing Liu and Yichong Leng and Lei He and Tao Qin and Sheng Zhao and Jiang Bian}, year = {2023} }
@misc{shazeer2020glu, title = {GLU Variants Improve Transformer}, author = {Noam Shazeer}, year = {2020}, url = {https://arxiv.org/abs/2002.05202} }
@inproceedings{dao2022flashattention, title = {Flash{A}ttention: Fast and Memory-Efficient Exact Attention with {IO}-Awareness}, author = {Dao, Tri and Fu, Daniel Y. and Ermon, Stefano and Rudra, Atri and R{\'e}, Christopher}, booktitle = {Advances in Neural Information Processing Systems}, year = {2022} }
@article{Salimans2022ProgressiveDF, title = {Progressive Distillation for Fast Sampling of Diffusion Models}, author = {Tim Salimans and Jonathan Ho}, journal = {ArXiv}, year = {2022}, volume = {abs/2202.00512} }
@inproceedings{Hang2023EfficientDT, title = {Efficient Diffusion Training via Min-SNR Weighting Strategy}, author = {Tiankai Hang and Shuyang Gu and Chen Li and Jianmin Bao and Dong Chen and Han Hu and Xin Geng and Baining Guo}, year = {2023} }
@article{Alayrac2022FlamingoAV, title = {Flamingo: a Visual Language Model for Few-Shot Learning}, author = {Jean-Baptiste Alayrac and Jeff Donahue and Pauline Luc and Antoine Miech and Iain Barr and Yana Hasson and Karel Lenc and Arthur Mensch and Katie Millican and Malcolm Reynolds and Roman Ring and Eliza Rutherford and Serkan Cabi and Tengda Han and Zhitao Gong and Sina Samangooei and Marianne Monteiro and Jacob Menick and Sebastian Borgeaud and Andy Brock and Aida Nematzadeh and Sahand Sharifzadeh and Mikolaj Binkowski and Ricardo Barreira and Oriol Vinyals and Andrew Zisserman and Karen Simonyan}, journal = {ArXiv}, year = {2022}, volume = {abs/2204.14198} }
@article{Badlani2021OneTA, title = {One TTS Alignment to Rule Them All}, author = {Rohan Badlani and Adrian Lancucki and Kevin J. Shih and Rafael Valle and Wei Ping and Bryan Catanzaro}, journal = {ICASSP 2022 - 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)}, year = {2021}, pages = {6092-6096}, url = {https://api.semanticscholar.org/CorpusID:237277973} }
基于 UI-TARS 视觉语言模型的 桌面应用,可通过自然语言控制计算机进行多模态操作。
UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。
开源且先进的大规模视频生成模型项目
Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本 到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。
全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表
爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。
一款强大的视觉语言模型,支持图像和视频输入
Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。
HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。
HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。
一个 基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。
WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。
基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。
xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。
一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。
olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。
飞书多维表格 ×DeepSeek R1 满血版
飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。
高质量语音生成模型
CSM 是一个开源的语音生成项目,它提供了一个基于 Llama-3.2-1B 和 CSM-1B 的语音生成模型。该项目支持多语言,可生成多种声音,适用于研究和教育场景。通过使用 CSM,用户可以方便地进行语音合成,同时项目还提供了水印功能,确保生成音频的可追溯性和透明度。
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号