VITS 论文：Conditional Variational Autoencoder with Adversarial Learning for End-to-End Text-to-Speech 代码：jaywalnut310/vits: VITS: Conditional Variational Autoencoder with Adversarial Learning for End-to-End Text-to-Speech 一个并行的端到端TTS模型。 More →
XTTS 论文：XTTS: a Massively Multilingual Zero-Shot Text-to-Speech Model 代码：coqui-ai/TTS: 🐸💬 - a deep learning toolkit for Text-to-Speech, battle-tested in research and production 基于Tortoise的改进，自回归。本文主要关心架构。 More →
DAC 论文：High-Fidelity Audio Compression with Improved RVQGAN 代码：descriptinc/descript-audio-codec: State-of-the-art audio codec with 90x compression factor. Supports 44.1kHz, 24kHz, and 16kHz mono/stereo audio. More →
BigCodec 论文：BigCodec: Pushing the Limits of Low-Bitrate Neural Speech Codec 代码：Aria-K-Alethia/BigCodec More →
关于AI前沿的思考 上一次写关于类似（大语言模型）的思考是在去年10月份了，主要是关于LLM机理、预训练、微调等算法层面的思考。不过后面也提到了未来的方向，以及行业的思考。到今天看那些内容依然实用，而且有种“预判”逐渐成真的感觉。其实我个人很不喜欢预言、预测或诸如此类的事物，但当我们对一个行业了解的足够多、足够深时，很多时候对一些方向性问题的判断就会比较准确。 言归正传，今天正好看到了OpenAI前首席研究官Bob McGrew采访（中文版），又有了新的想法，正好也谈一谈最近的一些思考。主要围绕着采访中的主题，谈谈自己的看法。 More →