WaveGrad

用扩散模型快速生成高保真语音波形，一步到位

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署 音频音乐 🍴 复刻 52 🐛 待处理 12 👀 关注 15
GitHub ↗
GitHub 星标 ★ 407
维护状态 低维护
是否开源 开源
定价模式 🏷️完全免费 开源项目，基于BSD-3-Clause许可证，完全免费，可自行部署使用。

项目预览

WaveGrad 项目界面预览图
图片来源：GitHub 官方仓库名片

项目数据

分类音频音乐
开发团队ivanvovk
GitHubhttps://github.com/ivanvovk/WaveGrad
定价模式🏷️完全免费
价格说明开源项目，基于BSD-3-Clause许可证，完全免费，可自行部署使用。
访问状态🔧 仅开源项目，无在线服务，需自行部署
是否开源是
开源协议BSD-3-Clause
主要语言Jupyter Notebook
技术栈/模型diffusion-models,ljspeech,probabilistic-models,speech,speech-synthesis,text-to-speech,tts,tts-engines,vocoder,wavegrad
GitHub 星标★ 407
上线时间2020-09-03 00:00:00
代码更新2021-07-07
仓库体积18.6 MB
本站数据更新2026-11-09
维护状态低维护
收录时间2026-08-09
浏览次数3

项目介绍

WaveGrad 是 Google Brain 提出的高保真语音合成声码器（vocoder）的 PyTorch 非官方实现。它基于扩散概率模型（diffusion probabilistic model），通过迭代去噪过程将梅尔频谱图转换为高质量波形，解决了传统声码器（如 WaveNet）生成速度慢、训练复杂的问题。WaveGrad 的核心能力包括：支持条件生成（以梅尔频谱为输入）、可调节的推理步数（在速度和质量间灵活权衡）、生成音频质量接近真实语音。项目代码结构清晰，包含训练和推理脚本，并提供了 LJSpeech 数据集上的预训练模型，方便研究者复现和二次开发。该实现适合作为 TTS 系统的后端声码器，或用于扩散模型在音频生成领域的学术研究。

Star 增长趋势

本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整

数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 407

核心亮点

  • 扩散模型架构，生成质量接近 WaveNet，但推理速度更快
  • 支持动态调整推理步数，可在速度和音质间自由权衡
  • 提供预训练模型和完整训练代码，开箱即用

不足之处

  • 非官方实现，可能与原论文细节存在偏差
  • 文档和社区支持有限，问题排查依赖自行阅读代码

适用场景

  • TTS 系统中的声码器模块，将频谱转为波形
  • 学术研究：扩散模型在音频生成中的应用
  • 低资源设备上的语音合成，通过减少步数加速推理

替代项目

WaveNet、HiFi-GAN、MelGAN

上一篇：personalized-podcast

下一篇：nnmnkwii

同类项目推荐

GPT-SoVITS 开源

录一分钟声音，AI 就能用你的声音读任何文字

1 min voice data can also be used to train a good TTS model! (few shot voice cloning···

★ 64614 2026-08-09
audiblez 开源

把电子书一键变成有声书，通勤路上用耳朵读书

Generate audiobooks from e-books

★ 8862 2026-08-09
audiotoken 开源

极速音频转令牌，让音频生成快人一步

Audio tokenization, in the fastest way possible!

★ 56 2026-08-09
chattts-seed-example 开源

试听 ChatTTS 各音色，快速挑中你喜欢的 seed

这是一个 ChatTTS 音频仓库，包含用不同 seed 生成的不同音色，你可以方便地挑选你喜欢的 ···

★ 60 2026-08-09
TalkifyTTS 开源

让 Android 应用秒变 AI 播音员，多模型任选

云端大模型驱动的 Android 语音合成应用（TTS引擎）。支持ChatGPT、Gemini、豆包、腾讯、微···

★ 390 2026-08-09
soundbox 开源

在自己的显卡上生成音效、音乐和配音

Free, open-source, local alternative to ElevenLabs and Suno. AI sound effects, music···

★ 152 2026-11-06
ComfyUI-VoxCPM2 开源

在 ComfyUI 里直接做多语言语音合成和克隆，还能训练 LoRA

VoxCPM2 TTS for ComfyUI. 30 languages, voice design, controllable cloning, 48kHz aud···

★ 205 2026-08-09
FastDiff 开源

让扩散声码器实时生成高质量语音，告别慢速合成。

PyTorch Implementation of FastDiff (IJCAI'22)

★ 424 2026-08-09