• 请不要在回答技术问题时复制粘贴 AI 生成的内容
hanseey
V2EX  ›  程序员

[开源分享] 发现一个挺有意思的 TTS 项目 VoxMel,直接在 Mel 频谱上做自回归生成

  •  
  •   hanseey · 5 mins ago · 17 views

    最近关注到一个挺有意思的开源 TTS 项目:VoxMel。

    GitHub:https://github.com/VoxDance-Lab/VoxMel

    Twitter: https://x.com/_akhaliq/status/2120749548851368358

    现在不少自回归语音生成模型会依赖学习式声学 Tokenizer,先把音频离散化再进行建模。

    VoxMel 的思路有点不一样,它尝试直接在连续 Mel 频谱上做自回归生成,不依赖学习式声学 Tokenizer,同时通过小波分解来组织不同尺度的声学信息。

    感觉这个方向还挺值得探索的,毕竟如何在不引入离散声学 Token 的情况下实现高质量语音生成,一直是个挺有意思的问题。

    项目已经开源了代码、模型和技术报告,也有音频 Demo 可以试听。

    分享给同样关注 TTS、语音生成方向的朋友,感兴趣的可以看看实现,也欢迎一起讨论这种建模路线的优劣。

    觉得不错的话感觉可以顺手支持个 Star ⭐

    No Comments Yet
    About   ·   Help   ·   Advertise   ·   Blog   ·   API   ·   FAQ   ·   Privacy   ·   Solana   ·   1018 Online   Highest 6679   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 19ms · UTC 18:39 · PVG 02:39 · LAX 10:39 · JFK 13:39
    ♥ Do have faith in what you're doing.