技术

[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

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
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 ⭐


⚠️内容来自互联网,如有侵权请点击反馈!侵权投诉
本帖共 2 条回复,登录后即可查看

回复

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

hot.热文换一批
霜之女皇75.23%
牛马论坛(niumabbs.com),一个专注于分享日常新鲜事、职场工作点滴、摸鱼乐趣与各类生活感悟的交流平台。

    关注我们

  • 加入Q群
  • 微信客服
  • QQ客服
Copyright © 2026 NIUMABBS 版权所有 All Rights Reserved. |网站地图 劰载中...
关灯 在本版发帖
扫一扫添加微信客服
QQ客服返回顶部
快速回复 返回顶部 返回列表