FastDiff

让扩散声码器实时生成高质量语音，告别慢速合成。

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 59 🐛 待处理 18 👀 关注 18

GitHub ↗

GitHub 星标 ★ 424

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，免费使用，需自行部署。

项目预览

项目数据

分类音频音乐

开发团队Rongjiehuang

GitHubhttps://github.com/Rongjiehuang/FastDiff

定价模式🏷️完全免费

价格说明开源项目，免费使用，需自行部署。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

主要语言Python

技术栈/模型ijcai2022,neural-vocoder,speech-synthesis,text-to-speech,vocoder

GitHub 星标★ 424

上线时间2022-01-17 00:00:00

代码更新2024-06-20

仓库体积3.1 MB

本站数据更新2026-11-10

维护状态低维护

收录时间2026-08-09

浏览次数4

项目介绍

FastDiff 是一个基于 PyTorch 实现的快速音频生成模型，源自 IJCAI 2022 论文。它属于神经声码器（neural vocoder）类别，主要用于语音合成和文本转语音（TTS）系统中的高质量音频波形生成。FastDiff 的核心创新在于提出了一种高效的扩散模型架构，通过引入时间相关的频率谱编码和跨模态注意力机制，显著降低了扩散模型在音频生成中的推理延迟，同时保持了与主流声码器相当的音频质量。它解决了传统扩散模型生成速度慢、难以实时应用的问题，使得扩散模型在语音合成领域从研究走向实用成为可能。项目提供了完整的训练和推理代码，支持自定义数据集，并针对多说话人场景进行了优化。

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 ★ 424

技术标签

speech-synthesis text-to-speech vocoder

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：高级约 60 分钟部署方式：本地GPU 5 步

环境要求

NVIDIA GPU
语音数据集
PyTorch

安装与启动步骤

1拉仓库

论文官方实现，含合成与训练两部分。
2建环境装依赖

按仓库说明装，注意 torch 版本。
3跑一次示例合成

仓库给了预训练配置，先照抄跑通。
4训练前先做对齐

跳过对齐会训不出可用模型。
```
python data_gen/tts/bin/pre_align.py --config <配置路径>
```
5再跑训练

对齐完成后才能开始。