V
主页
Amphion:一款开源的音频、音乐和语音生成工具包
发布人
【加群】 一起来刷arxiv,请加vx: pwbot02(请备注:b站arxiv) 【论文标题】 Amphion:一款开源的音频、音乐和语音生成工具包 【论文简述】 Amphion是一款致力于音频、音乐和语音生成研究的开源工具包。其主要目标是支持可重复性研究,帮助初级研究人员和工程师快速入门音频、音乐和语音生成领域。Amphion的独特之处在于提供了经典模型或架构的可视化,这有助于初学者更好地理解模型。Amphion的设计支持各种生成任务,包括文本到语音、歌唱语音转换和文本到音频生成。此外,Amphion还包含了多个声码器和评估指标。声码器对于生成高质量的音频信号至关重要,而评估指标则有助于确保生成任务的一致性。本文概述了Amphion的高级特性和功能。 【论文链接】 https://arxiv.org/abs/2312.09911
打开封面
下载高清视频
观看高清视频
视频下载器
FreGrad: Lightweight and Fast Frequency-aware Diffusion Vocoder
Seed-Music字节发布高质量、可控的音乐生成统一框架,10s唱歌克隆
基于上下文调整的检索增强生成方法
AI变声器,Seed-Vc,0920,突破30秒长度限制,零样本无须训练变声,AI歌曲翻唱,zero-shot,音色修改
开源指令生成:用开源代码提升代码生成模型性能
稳定分数蒸馏:高质量三维生成新方法
FreeInit:弥合视频扩散模型初始化鸿沟以提升生成视频的时间一致性
FastDiT-3D:高效生成高质量三维点云的扩散变换器
融合像素与潜在扩散模型的文本到视频生成方法
大型语言模型生成内容质量自评估提升选择性生成
大型语言模型在上下文学习中的可靠性提升:结合监督知识的方法
SyncDreamer:基于单图像生成3D物体新方法
System 2 Attention (is something you might need too)
FineControlNet:基于空间对齐文本控制注入的图像生成细粒度文本控制
基于潜在变量推断的训练链式思维提升语言模型推理能力
基于文本到图像扩散模型的文本到视频生成架构研究
OpenIns3D: 3D开放词汇实例分割的新框架
快速高效文本到图像生成模型
GridFormer 表结构识别方法
GAN生成高保真3D几何:渲染每个像素以提升3D GAN质量
大规模语言模型在多模态音乐理解与生成中的应用
TinySAM:高效分割模型的新突破
MusicAgent: An AI Agent for Music Understanding and Generation with Large Langua
CityDreamer: 生成逼真多样的无界3D城市布局
基于ChatGPT的模板生成方法用于图像分类
Conditional Diffusion Distillation
层次规划组合基础模型研究
分布式注意力机制:长文本处理的高效LLM服务系统
通用视觉基础模型:多任务学习实现高效零样本迁移
微量多语言数据提升多语言指令跟随能力
生成高质量的长视频:SEINE视频扩散模型
高斯涂抹文本生成三维模型
一起来盘盘Paper QA工具哪家强
VideoLCM:基于视频潜在一致性模型的高效视频合成方法
TinyLlama:开源小型语言模型的新突破
动态3D高斯分布与合成扩散模型:实现文本到4D动画的生成
区域描述生成:轻量级增强交互式分割模型
基于视觉的灵巧操纵研究综述
PhotoVerse: 个性化文本到图像生成的调谐自由方法
DiffiT:基于扩散视觉Transformer的图像生成