2D/3D/视频生成最近都有很多值得关注的工具，但是要输出完整的AIGC作品，肯定少不了声音。其实声音生成也有很多革命性的工具，例如高质量的声音识别、文字转成人声、人声克隆、音乐生成，已经能组成完整工作流了，其中一些工具甚至已经打包好了，只要下载解压就能用！

            语音转文字  

•Const-me/Whisper（解压就能用）: OpenAI Whisper自动语音识别模型的高性能GPGPU推理 ，基于DirectCompute技术，对Windows系统进行了优化，并且在性能和内存使用上优于原始OpenAI实现。

•➡️链接：https://animate124.github.io/            

•WhisperX（需要配环境）：带有单词级时间戳和说话人分离功能的自动语音识别。提供了比原始 Whisper 模型快 70 倍的实时语音转录速度，并使用了更快的后端 faster-whisper。●    通过 wav2vec2 对齐技术，WhisperX 能够实现准确的单词级时间戳。●    该工具还支持多说话人的自动语音识别，并通过 pyannote-audio 实现说话人分离    

•➡️链接：https://github.com/m-bain/whisperX

 文字转声音+声音克隆  

•clone-voice（解压就能用）：这是一个基于Web界面的声音克隆工具，可以将文字或声音转换为特定音色的音频，支持多种语言，•➡️链接：https://github.com/jianchang512/clone-voice    •SeamlessExpressive：可实现高质量的语音翻译，在翻译输出中保持原始说话者的声音风格、语气和独特的表达方式。目前还要申请acess，包含模块：

Prosody UnitY2是基于UnitY2架构的语音到单元转换模型，能够转换短语级别的语调，如语速或停顿。

 PRETSSEL是一个表达性单元到语音生成器，能够有效地从语音中分离语义和表达性成分，并转移话语级别的表达性，如个人的声音风格。

 mExpresso（多语言Expresso）是一个包含七种朗读风格（默认、快乐、悲伤、困惑、清晰、耳语和笑声）的表达性语音到语音翻译数据集，涵盖英语和其他五种语言。

-––•➡️链接：https://huggingface.co/facebook/seamless-expressive              

   
         音乐+音效生成  

•Stable Audio：一个可以用文字描述生成音乐的网页工具，打开即用；也包括了文生语音和声音克隆功能。    •➡️链接：https://www.stableaudio.com/              
              •Suno.ai：一个运行在discord中的工具，你只需要输入一段文字描述即可，包括你需要的音乐风格和对音乐的期望，Suno即可帮你生成2段30秒左右带歌词的音乐。             
•➡️链接：https://www.suno.ai/

根据人声生成人物对口型动画（talking head） 

•SadTalker：单张图+音频即可生成对口型视频，已加入stable diffusion A1111全家桶。  

  •➡️链接：https://github.com/OpenTalker/SadTalker/blob/main/docs/webui_extension.md              

•DreamTalk: 基于扩散概率模型的音频驱动表情丰富的人头生成框架，它可以处理多种语言和噪声音频，生成高质量的视频，并提供了对表情风格和头部姿态的控制，但对输出视频的分辨率并未优先考虑（应该是目前这类工具的Sota？）。•➡️链接：https://github.com/ali-vilab/dreamtalk              
                  •GeneFace: 高度泛化和高保真的音频驱动3D说话面部合成。效果好，但是对于每个人物要单独训练模型。•➡️链接：https://github.com/yerfor/GeneFace/blob/main/README-zh.md              

综合类工具（几乎包含所有和声音相关的功能，但是使用更复杂） 

•AudioLDM 2 一个效果非常好的音乐、音效生成工具 。AudioLDM 2框架提出了一种统一的方法来生成语音、音乐和音效。该框架利用音频的通用表示作为“音频语言”，并结合语言模型和潜在扩散模型进行音频合成。

•➡️链接：https://audioldm.github.io/audioldm2/              

•Amphion：支持多种音频生成任务，包括文本到语音（TTS）、歌声合成（SVS）、声音转换（VC）、歌声转换（SVC）、文本到音频（TTA）和文本到音乐（TTM）等。    •➡️链接：https://github.com/open-mmlab/Amphion              

•AudioGPT: 支持的任务包括音频文本转换、音频翻译、音频字幕、音频风格转换、音频增强、语音分离、单声道转立体声、填补音频空白、音频事件提取、声音检测、语音生成头像视频、文本语音生成、图像音频生成以及乐谱生成歌声等多种音频理解与生成任务。    •➡️链接：https://github.com/AIGC-Audio/AudioGPT              

出自：https://mp.weixin.qq.com/s/kV160MMwks6XJMEcI-04ww