text-to-audio

Amphion (/æmˈfaɪən/) ऑडियो, म्यूजिक और स्पीच जनरेशन के लिए एक टूलकिट है। इसका उद्देश्य पुनरुत्पादनीय अनुसंधान (reproducible research) का समर्थन करना और नए शोधकर्ताओं व इंजीनियरों को ऑडियो, म्यूजिक और स्पीच जनरेशन के क्षेत्र में शुरुआत करने में मदद करना है।

सिंक्रनाइज़ कैप्शन के साथ EPUBs, PDFs और टेक्स्ट से ऑडियोबुक जेनरेट करें।

[CVPR 2025] MMAudio: उच्च-गुणवत्ता वाले वीडियो-से-ऑडियो संश्लेषण के लिए मल्टीमॉडल संयुक्त प्रशिक्षण को नियंत्रित करना

[NeurIPS 2025] [ThinkSound] का PyTorch कार्यान्वयन, चेन-ऑफ-थॉट (CoT) तर्क द्वारा निर्देशित, किसी भी तौर-तरीके से ऑडियो जनरेट करने के लिए एक एकीकृत फ्रेमवर्क।

StreamSpeech ऑफ़लाइन और एक साथ स्पीच रिकग्निशन, स्पीच ट्रांसलेशन और स्पीच सिंथेसिस के लिए एक "ऑल इन वन" सीमलेस मॉडल है।

विभिन्न ऑडियो-संबंधित Neural Networks के लिए एक webui

टेक्स्ट-टू-ऑडियो जनरेशन के लिए डिफ्यूजन मॉडल का एक परिवार।

HunyuanVideo-Foley: उच्च-निष्ठा वाले फोली ऑडियो निर्माण के लिए रिप्रेजेंटेशन अलाइनमेंट के साथ मल्टीमॉडल डिफ्यूजन।

[ICLR 2026] TangoFlux: फ्लो मैचिंग के साथ सुपर फास्ट और सटीक टेक्स्ट-टू-ऑडियो जनरेशन।

टेक्स्ट-टू-ऑडियो जनरेटिव मॉडल के साथ Make-An-Audio (ICML'23) का PyTorch कार्यान्वयन।

OpenMusic: SOTA Text-to-music (TTM) जेनरेशन

🔥🔥🔥 LLMs-आधारित मल्टीमॉडल जनरेशन (इमेज, वीडियो, 3D और ऑडियो) पर शोध पत्रों की एक क्यूरेटेड सूची।

ऑडियो प्रोसेसिंग और जनरेशन को एकीकृत करने के लिए एक ओपन-सोर्स प्रोजेक्ट