用 PyTorch 快速上手并行语音合成，告别慢速自回归
FastSpeech2 是一个基于 PyTorch 实现的端到端文本转语音（TTS）模型，源自微软提出的非自回归语音合成架构。它解决了传统自回归 TTS（如 Tacotron）合成速度慢、稳定性差的问题，通过引入时长预测器、音高预测器和能量预测器，将文本直接映射为梅尔频谱，实现并行、快速且可控的语音生成。核心能力包括：支持多说话人训练、可调节语速和韵律、训练流程简洁（无需外部对齐工具，利用教师模型蒸馏对齐信息）。该实现代码结构清晰，适合研究者和开发者学习 FastSpeech2 原理或进行二次开发，但项目处于早期阶段，功能完整性和易用性有待完善。
ESPnet-TTS、Coqui TTS、TTS (Mozilla TTS)
FastSpeech2 是语音识别领域的开源项目，由 xcmyz 开发，2020 年首次发布。
它收录于语音识别分类，该分类目前共有 212 个项目，GitHub 星标数为 52。
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 2024-06-18。基于PyTorch的FastSpeech2实现，可自行部署使用，完全免费。
它主要面向的使用场景是：学术研究：复现FastSpeech2论文实验。同类可对比的替代方案包括 ESPnet-TTS、Coqui TTS、TTS (Mozilla TTS)。
上一篇：klaam
下一篇：simple-obs-stt
obs-localvocal
开源
直播录屏时，本地AI实时生成字幕，保护隐私零延迟
OBS plugin for local speech recognition and captioning using AI
LiveCaptions-Translator
开源
实时捕获系统音频，一键翻译成你懂的语言
Lightweight and powerful real-time audio/speech translation tool based on Windows Li···
speechbrain
开源
一站式 PyTorch 语音工具箱，快速搞定识别、说话人验证等任务
A PyTorch-based Speech Toolkit
whisper-diarization
开源
给语音转写加上说话人标签，会议记录一目了然
Automatic Speech Recognition with Speaker Diarization based on OpenAI Whisper
