WaveGrad2

用分数匹配迭代精炼，快速生成高保真语音波形

WaveGrad2 是谷歌大脑团队提出的 WaveGrad 2 模型的非官方 PyTorch 实现，专注于文本到语音（TTS）合成。它采用非自回归架构，通过迭代精炼和分数匹配技术，直接从音素序列生成原始波形，无需中间声学特征（如梅尔频谱）。该模型解决了传统自回归 TTS 合成速度慢、鲁棒性差的问题，能够在保持高语音质量的同时实现快速、稳定的端到端合成。核心能力包括：基于分数的生成模型、迭代式波形精炼、时长预测模块，以及支持多种说话人和语言。项目代码结构清晰，提供了训练和推理脚本，适合研究者复现实验或在此基础上进行二次开发。作为早期项目，它展示了前沿的 TTS 技术路线，但功能完整性和易用性仍在完善中。

开源 free 音频音乐

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 68

维护状态低维护

是否开源是

定价模式 free

项目数据

分类音频音乐

开发团队keonlee9420

所属国家

官网地址

GitHubhttps://github.com/keonlee9420/WaveGrad2

定价模式free

价格说明开源项目，MIT许可证，完全免费，需自行部署。

访问状态

是否开源是

开源协议MIT

主要语言Python

技术栈/模型audio,duration,end-to-end,neural-tts,non-autoregressive,phoneme-to-waveform,pytorch,robust,score-matching,speech-synthesis,synthesis,text-to-audio,text-to-speech,tts

GitHub 星标★ 68

30天Star增速

HF 下载量

上线时间2021-06-18 00:00:00

最近更新2026-05-15 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

核心亮点

非自回归架构，合成速度显著优于自回归模型
端到端音素到波形，省去中间声学特征，流程简洁
基于分数匹配的迭代精炼，语音自然度和鲁棒性有保障

不足之处

非官方实现，与原始论文细节可能存在偏差
文档和示例较少，上手门槛较高
依赖特定音频处理库，环境配置稍复杂

适用场景

学术研究：复现论文结果，探索非自回归 TTS 方法
快速原型开发：基于该实现快速搭建 TTS 系统
语音合成教学：学习分数匹配和迭代精炼在语音中的应用

替代项目

WaveGrad、FastSpeech 2、Parallel WaveGAN

项目介绍

WaveGrad2 是音频音乐领域的开源项目，由 keonlee9420 开发，2021 年首次发布。

它收录于音频音乐分类，该分类目前共有 738 个项目，GitHub 星标数为 68。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-05-15。MIT许可证，完全免费，需自行部署。

它主要面向的使用场景是：学术研究：复现论文结果，探索非自回归TTS方法。同类可对比的替代方案包括 WaveGrad、FastSpeech 2、Parallel WaveGAN。

上一篇：TellTime

下一篇：mel-cepstral-distance